Toepassing van multimodale MRI-gebaseerde radiomics in histologische gradering en prognostische beoordeling van borstkanker

Naast TNM-stadiëring is het huidige beheer van borstkanker gebaseerd op conventionele pathologische kenmerken die de ziekte categoriseren in drie moleculaire subtypen, elk met significante prognostische implicaties in de klinische praktijk: humaan epidermale groeifactorreceptor 2 (HER2)-positieve, luminale (hormoonreceptor-positieve en HER2-negatieve) en triple-negatieve borstkankers. De overexpressie of amplificatie van HER2 wordt waargenomen in 10-15% van de borstkanker gevallen. Dit fenomeen correleert vaak met een agressiever tumorgedrag terwijl het ook een verhoogde responsiviteit op HER2-gerichte therapieën toont. Het gebruik van zeer effectieve anti-HER2-geneesmiddelen kan echter de overlevingsuitkomsten van deze patiënten aanzienlijk verbeteren. Daarnaast is de expressiestatus van HER2 cruciaal voor het bepalen van de noodzaak van doelgerichte therapie. Daarom heeft preoperatieve beoordeling van de HER2-expressiestatus belangrijke therapeutische implicaties. Momenteel omvatten klinische methoden voor het beoordelen van de HER2-status bij borstkanker vóór operatie immunohistochemie (IHC)-testen en fluorescentie in situ hybridisatie (FISH)-metingen uitgevoerd op core-naaldbiopsiemonsters. Deze biopsiebemonsteringsmethoden hebben echter inherente beperkingen, waaronder bemonsteringsbias en het onvermogen om intratumorale heterogeniteit volledig weer te geven. Bovendien kan de biopsieprocedure oncomfortabel zijn en bepaalde risico's voor patiënten met zich meebrengen. Tumorheterogeniteit verwijst over het algemeen naar de variaties in angiogenese, metabolisme, genexpressie en andere biologische kenmerken tussen tumoren. Intratumorale heterogeniteit (ITH) kan zich manifesteren als signaalverschillen in radiologische beelden op macroniveau. Onderzoekers veronderstelden dat significante verschillen in biologische kenmerken en gedrag bestaan tussen HER2-positieve (HER2+) en HER2-negatieve (HER2-) borstkankers, waardoor onderscheid tussen deze twee soorten tumoren mogelijk is door specifieke beeldvormingskenmerken te identificeren die ITH weerspiegelen.

Dynamische contrastversterkte MRI (DCE-MRI) is een effectieve beeldvormingsmodaliteit die temporele informatie verschaft over de dynamiek van contrastmiddelen in verdachte laesies terwijl acceptabele ruimtelijke resolutie behouden blijft. Het is bijzonder gevoelig in het detecteren van borstkankerlaesies, vooral die in dicht borstweefsel. DCE-MRI kan indirect abnormale tumorvasculaire proliferatie weerspiegelen door de hemodynamische kenmerken van de laesies. Radiomics is een opkomende technologie waarbij kwantitatieve en reproduceerbare kenmerken uit medische beelden worden geëxtraheerd met behulp van high-throughput, geavanceerde modaliteiten die vaak uitdagend zijn om visueel te identificeren of te kwantificeren. Deze kenmerken, die mogelijk verband houden met specifieke ziekten, worden geanalyseerd met behulp van statistische of machine learning (ML)-algoritmen om voorspellende modellen te creëren voor tumordiagnose, gradering, effectiviteitsevaluatie en prognosevoorspelling. ML heeft twee belangrijke voordelen ten opzichte van traditionele statistische modellen. Het doel is om beslissingstijd tijdens diagnose te verminderen en over het algemeen grotere diagnostische nauwkeurigheid te bereiken. Zoals aangetoond in borstkankerdiagnose, kan ML kankerrisicovoorspelling aanzienlijk verbeteren door complexe patronen in grote hoeveelheden klinische data te identificeren. Ondanks het grote potentieel van ML, staat het nog steeds voor verschillende obstakels in zijn klinische toepassing. Een grote uitdaging is een gebrek aan interpreteerbaarheid - veel ML-modellen functioneren als "zwarte dozen", waardoor het moeilijk is voor clinici om hun besluitvormingsprocessen te begrijpen en te vertrouwen. Bovendien hangt de prestaties van het model sterk af van de kwaliteit en representativiteit van de trainingsdata. ML-methoden vereisen vaak grotere datasets dan traditionele klinische studies.

Daarom was het doel van deze studie om een radiomics-gebaseerd ML-model te ontwikkelen dat de HER2-status van borstkankers op een niet-invasieve manier kon voorspellen met behulp van DCE-MRI-beelden. Daarnaast werd het Shapley Additive Explanation (SHAP)-algoritme gebruikt om de bijdrage van de variabelen in het model te analyseren, waardevolle inzichten biedend voor het formuleren van nauwkeurigere preoperatieve behandelplannen voor patiënten met borstkanker.