Prediksjonsmodellen for NAC-respons for brystkreft basert på parametriske dynamikkfunksjoner.

Brystkreft er den hyppigst diagnostiserte kreften og er fortsatt den fjerde ledende årsaken til kreftdødsfall hos kvinner i Taiwan det siste tiåret. Beslutninger om den beste behandlingen for brystkreft er basert på resultatet av østrogen (ER) og progesteron reseptor (PR) test, human epidermal vekstfaktor type 2 reseptor (HER2) test, og TNM stadieinndeling ved bruk av biopsi. Etter evaluering av menopausestatus og respons av ER, PR og HER2, kan behandlingene for stadium 2 eller høyere brystkreft vurdere neoadjuvant kjemoterapi (NAC) for fordelene med (1) å konvertere en inoperabel til en kirurgisk resektabel kreft, (2) metastase behandling, (3) krympe svulsten, (4) forbedret total overlevelse og residivfri overlevelsesrate (5) prediktive histologiske parametere. Det er kjent at pasienter med patologisk fullstendig respons (pCR) etter NAC er assosiert med bedre sykdomsfri overlevelse og forbedret total overlevelse. Derfor er det viktig å utvikle mer effektive regimer og stratifisere pasienter basert på datamaskinassistert prediksjonsmodell for å evaluere responsen til NAC.

Hovedformålet med denne studien er å utvikle en datastøttet prediksjonsmodell for NAC-behandlingsrespons. Basert på heterogeniteten til intern parametrisk tumorsammensetning som vanligvis observeres, vil denne studien bruke de histologiske egenskapene og behandlingsresponsen for å undersøke bildefunksjonene som inputdata for å forutsi behandlingsrespons ved hjelp av Deep Learning-teknologi. Ved å bruke denne teknikken kan preoperativ behandlingsevaluering forenkles ved tumorheterogenitetsanalyse fra utviklet dynamisk radiomiks, og muligheten for personlig medisin kan realiseres ikke langt foran. I løpet av de to første årene av denne studien ved å bruke bilder fra DCE-MRI, PET/CT og QDS-IR, planlegger vi å utvikle bildebehandlingsalgoritmene, inkludert segmentering av bryst og tumorregion, ekstrahering av bildefunksjoner som gjenspeiler angiogene egenskaper og permeabilitet av tumor. , som er sterkt korrelert med NAC-behandlingsrespons. I løpet av det tredje året av prosjektet kan morfologi- og teksturtrekkene fra de to første årene kombineres for PET/MRI og prediksjonsmodellen kan oppnås i samsvar med funksjonene hentet ut fra dynamisk funksjonsekstraksjon ved bruk av longitudinelle bilder av PET/MRI. Følgende er de forventede bidragene:

Å foreslå en ny parametrisk dynamikkfunksjon for å overvinne problemene med tradisjonell terskelmetode.

Å utvikle segmenteringsalgoritmer for brystvev og tumorregion på DCE MR for å forbedre prediksjon av behandlingsrespons.

Å utvikle baneanalyse for ikke-invasiv QDS-IR-bilde Å utvikle segmenteringsalgoritme for metabolsk tumorvolum ved å registrere PET-opptaksgrense med CT-tumorgrense for å forbedre påliteligheten og reproduserbarheten av morfologifunksjonen.

Ved å kombinere tidligere teknikker utviklet for PET/CT og DCE MR, kan nye typer funksjoner, nemlig de parametriske dynamikktrekkene fra PET/MRI, brukes som dynamisk radiomiks for å forutsi NAC-respons.

Å utvikle en Deep-Learning-algoritme, som er det essensielle i prosjektet når det gjelder selvlæringsmetodikk, for å utnytte det høydimensjonale funksjonsrommet på jakt etter prediksjonsmodellen.

Emnets berettigelse og påmelding Denne prospektive studien ble godkjent av den lokale institusjonelle etiske komiteen som frafalt kravet om pasientgodkjenning og skriftlig informert samtykke for gjennomgang av journaler og bilder.

Fra april 2015 til juni 2019 ble 60 kvinner med brystkreft som gjennomgikk NAC screenet for kvalifisering. Kvalifikasjonskriteriene var pasienter som: (a) var > 18 år, (b) med patologisk bekreftet brystkreft med kjernenålbiopsi, (c) var villige til å gjennomgå NAC, (d) var kvalifisert for operasjon etter NAC, og (e) var villige til å gjennomgå minst to PET/MR-skanninger under NAC: den første [R0], forbehandling; og den andre [R1], etter to sykluser med kjemoterapi (etterbehandling). Av de 60 kvinnene ble 14 ekskludert av følgende grunner: (a) fjernmetastaser funnet etter den første skanningen (n=1), slik at de ikke var kvalifisert for operasjon; (b) pasienter som ikke er i stand til å fullføre to sekvensielle PET/MR-skanninger av personlige årsaker (n=10); (c) pasienter nektet ytterligere NAC etter den første syklusen (n=2); og (d) etterbehandlingsskanning kunne ikke utføres på grunn av forhøyet kreatininnivå (n=1). Flytdiagrammet for studieinkludering er vist i figur 1. Alle pasienter fikk 6 til 8 sykluser med NAC inkludert følgende alternativer. For human epidermal vekstfaktor reseptor 2 (HER2)-negative pasienter inkluderte NAC samtidig bruk av epirubicin med cyklofosfamid (EC-basert) eller epirubicin med cyklofosfamid etterfulgt av taxaner (docetaksel eller paklitaksel; EC+T). For HER2-positive pasienter inkluderte NAC-protokollene samtidig bruk av taxaner med trastuzumab (TH-basert), eller et samtidig regime med taxaner og cyklofosfamid etterfulgt av trastuzumab (EC+TH), eller taxaner med trastuzumab og pertuzumab (THP). En trippel-negativ pasient fikk paklitaksel med afatinib.

PET/MR-bildeinnsamling MR-undersøkelser ble utført på en 3T PET/MR-skanner (Biograph mMR, Siemens Healthcare, Erlangen, Tyskland). Midtreatment-skanningen ble arrangert etter to sykluser med NAC. Den siste skanningen ble arrangert før operasjonen. Pasientene ble skannet i liggende stilling ved hjelp av en dedikert fire-kanals brystspiral (Noras GmbH, Höchberg, Tyskland). Etter faste i minst 6 timer ble pasientene injisert intravenøst ​​med 3,7-5,55 MBq/kg (0,1-0,15 mCi/kg) av 18F-fluordeoksyglukose (18F-FDG). PET/MR-skanning ble utført omtrent 60 minutter senere. En 10-minutters bryst PET ble utført sammen med prekontrast bryst MR i liggende stilling. PET-bildene ble rekonstruert med en ordnet-undersett, forventningsmaksimerende iterativ algoritme (3 iterasjoner, 21 undersett), med et 4 mm postrekonstruksjon Gauss-filter og en bildematrise på 172 x 172. Dempningskorreksjon av PET-data ble oppnådd ved å bruke et 4-vevsklassefilter (luft, lunge, fett, bløtvev) segmentert dempningskorreksjonskart, som ble rekonstruert fra en 2-punkts Dixon MR-pulssekvens.

Den prekonstraterte bryst-MR-protokollen inkluderte 2D gradientekko T1-vektet (repetisjonstid [TR]/ekkotid[TE],500/9.8 ms, vippevinkel 150°, skivetykkelse 3,5 mm; matrisesynsfelt [FOV] 320 × 320), T2-veide korte tau-inversjonsgjenopprettingsbilder (STIR) (TR/TE/TI = 3000/78/230 ms, matrisestørrelse 320 × 320, skivetykkelse 4,0 mm, matrise FOV 330 × 330 mm), diffusjonsvektede bilder (DWIs) (TR/TE = 7500/83 ms, matrisestørrelse 192 × 77, skivetykkelse 4,0 mm, FOV 360 × 1830 mm, b-verdi = 50, 600 og 1000 sek/ mm2, gjennomsnitt = 2) med tilsynelatende diffusjonskoeffisient (ADC) kart ble innhentet.

Syv dynamiske kontrastforsterkede bilder, inkludert ett før og seks etter administrering av kontrastmiddel, ble tatt med et fettmettet T1-vektet hurtig lavvinkelbilde (FLASH) 3D-gradient-ekkosekvens (TR/TE 4,1/1,5 ms, skivetykkelse og gap 1,0/0 mm, matrisestørrelse 352 × 282, vippevinkel 10°, 146 skiver, FOV 330 × 330 mm) med spektral dempet inversjonsgjenoppretting (SPAIR), hvert sett tok omtrent 60 sekunder. Postkontrast DCE-MRI ble startet 10 sekunder etter intravenøs injeksjon av 0,1 mmol/kg gadobutrol (Gadovist; Bayer Pharma AG, Berlin, Tyskland) med en injeksjonshastighet på 3 ml/s.

Histopatologisk vurdering Den histologiske typen og karakteren var basert på histopatologiske rapporter om ultralydveiledede kjernebiopsier utført før NAC. Uttrykkene av østrogenreseptor (ER), progesteronreseptor (PR) og HER2 ble vurdert ved bruk av immunhistokjemisk farging. ER- og PR-positivitet ble vurdert ved hjelp av Allred-skåren, der en skår > 3 ble ansett som positiv. Tumorer ble ansett for å være HER2-positive hvis den immunhistokjemiske skåren var 3+. I tilfeller med en tvetydig HER2-status (skåre 2+) i immunhistokjemi, ble fluorescens in situ hybridiseringsanalyse (FISH) utført for å bekrefte diagnosen.

En pCR ble definert som fravær av gjenværende invasiv kreft bortsett fra duktalt karsinom in situ (DCIS) i den kirurgiske brystprøven etter NAC og fravær av aksillær lymfeknuteinvolvering, som tidligere rapportert av Pinder et al.

Bildeanalyse Bildene ble tolket av to radiologer (Y.F.L. og N.C., begge med 12 års erfaring med brystavbildning). Tumorutseende på MR (masse, ikke-masseforsterkning) ble visuelt vurdert av de to radiologene. Regionene av interesse (ROI) ble manuelt definert ved å velge en todimensjonal region som omslutter det største tverrsnittsarealet med høy signalintensitet for forbedring som skilte seg fra normal bakgrunnsparenkym på den femte kontrastforsterkede serien, samtidig som normal parenkym og markering ble unngått. utklippsartefakter. Hvis kreften var multifokal eller multisentrisk, ble ROI målt ved tumorområdet med størst størrelse.

Etter at tumor-ROI-ene hadde blitt segmentert, ble PET- og MR-bilder inkludert DWI og tilsynelatende diffusjonskoeffisient (ADC) bilde-ROI-målinger justert ved å bruke ROI-ene tegnet på dynamisk kontrastforsterkede (DCE) bilder ved bruk av semi-automatisert ikke-rigid registrering og manuell justering hvor nødvendig. ROI-ene ble samtidig evaluert på seks forskjellige faser av DCE-bilder (kodet som P1 til P6). ROI-ene ble også registrert på andre serier, inkludert DWI-er ved b-verdi=1000 sek/mm2, ADC-kart og PET-bilder. Fra hver ROI ble seks første-ordens og fire andre-ordens teksturfunksjoner automatisk beregnet. Histogramanalyse ble brukt for å vurdere førsteordens teksturegenskaper inkludert gjennomsnitt, standardavvik (SD), median, 5. og 95. persentilverdier, kurtose og skjevhet. For andre-ordens teksturanalyse ble en grå-nivå samforekomstmatrise (GLCM) brukt som overordnet matrise, og fire heterogene teksturegenskaper ble ekstrahert fra GLCM, nemlig forskjellsentropi (DiffEntropy), forskjellsvarians (DiffVariance), kontrast og entropi [18]. Disse teksturparametrene ble beregnet ved å bruke prototypeprogramvare for MR Multiparametric Analysis (Siemens Healthcare, Erlangen, Tyskland). Alle bildeparametere ble evaluert ved bruk av PET/MR-skanninger utført forbehandling (R0) og midtbehandling (R1), og før kirurgi (R2) analyseres.