Zastosowanie radiomiki opartej na wielomodalnym MRI w ocenie histologicznej i rokowniczej raka piersi

Oprócz klasyfikacji TNM, obecne postępowanie w przypadku raka piersi opiera się na konwencjonalnych cechach patologicznych, które kategoryzują chorobę na trzy podtypy molekularne, z których każdy ma istotne implikacje prognostyczne w praktyce klinicznej: rak piersi z dodatnim receptorem ludzkiego naskórkowego czynnika wzrostu 2 (HER2), luminalny (z dodatnim receptorem hormonalnym i ujemnym HER2) oraz potrójnie ujemny rak piersi. Nadmierna ekspresja lub amplifikacja HER2 obserwowana jest w 10-15% przypadków raka piersi. Zjawisko to często koreluje z bardziej agresywnym zachowaniem guza, jednocześnie wykazując zwiększoną odpowiedź na terapie celowane w HER2. Jednak stosowanie wysoce skutecznych leków anty-HER2 może znacząco poprawić wyniki przeżycia tych pacjentów. Ponadto status ekspresji HER2 ma kluczowe znaczenie w określaniu konieczności leczenia celowanego. Dlatego przedoperacyjna ocena statusu ekspresji HER2 ma istotne implikacje terapeutyczne. Obecnie kliniczne metody oceny statusu HER2 w raku piersi przed operacją obejmują testy immunohistochemiczne (IHC) oraz pomiary fluorescencyjnej hybrydyzacji in situ (FISH) przeprowadzane na próbkach z biopsji gruboigłowej. Jednak te techniki pobierania biopsji mają inherentne ograniczenia, w tym błąd próbkowania oraz niemożność pełnego odzwierciedlenia heterogeniczności wewnątrzguza. Dodatkowo procedura biopsji może być niekomfortowa i niesie pewne ryzyko dla pacjentów. Heterogeniczność guza ogólnie odnosi się do różnic w angiogenezie, metabolizmie, ekspresji genów i innych cechach biologicznych między guzami. Heterogeniczność wewnątrzguza (ITH) może przejawiać się jako różnice sygnału na obrazach radiologicznych na poziomie makroskopowym. Badacze postawili hipotezę, że istotne różnice w cechach biologicznych i zachowaniu istnieją między rakiem piersi HER2-dodatnim (HER2+) a HER2-ujemnym (HER2-), co pozwala na rozróżnienie tych dwóch typów guzów poprzez identyfikację specyficznych cech obrazowania odzwierciedlających ITH.

Dynamiczny rezonans magnetyczny ze wzmocnieniem kontrastowym (DCE-MRI) jest skuteczną modalnością obrazowania, która dostarcza informacji czasowych dotyczących dynamiki środków kontrastowych w podejrzanych zmianach, zachowując akceptowalną rozdzielczość przestrzenną. Jest szczególnie czuły w wykrywaniu zmian raka piersi, zwłaszcza w gęstej tkance piersiowej. DCE-MRI może pośrednio odzwierciedlać nieprawidłową proliferację naczyń guza poprzez charakterystyki hemodynamiczne zmian. Radiomika jest rozwijającą się technologią, która obejmuje ekstrakcję ilościowych i powtarzalnych cech z obrazów medycznych przy użyciu wysokoprzepustowych, zaawansowanych modalności, które często są trudne do zidentyfikowania lub skwantyfikowania wizualnie. Te cechy, które mogą być powiązane z konkretnymi chorobami, są analizowane przy użyciu statystycznych lub algorytmów uczenia maszynowego (ML) w celu stworzenia modeli predykcyjnych dla diagnozy guza, gradacji, oceny skuteczności i prognozowania rokowania. ML ma dwie ważne przewagi nad tradycyjnymi modelami statystycznymi. Celem jest skrócenie czasu podejmowania decyzji podczas diagnozy i ogólnie osiągnięcie większej dokładności diagnostycznej. Jak wykazano w diagnozie raka piersi, ML może znacząco poprawić przewidywanie ryzyka raka poprzez identyfikację złożonych wzorców w dużych ilościach danych klinicznych. Pomimo wielkiego potencjału ML, wciąż napotyka ono kilka przeszkód w zastosowaniu klinicznym. Głównym wyzwaniem jest brak interpretowalności – wiele modeli ML działa jak „czarne skrzynki”, utrudniając klinicystom zrozumienie i zaufanie do ich procesów decyzyjnych. Ponadto wydajność modelu w dużym stopniu zależy od jakości i reprezentatywności danych treningowych. Metody ML często wymagają większych zbiorów danych niż tradycyjne badania kliniczne.

Zatem to badanie miało na celu opracowanie modelu ML opartego na radiomice, który mógłby przewidywać status HER2 raka piersi w sposób nieinwazyjny przy użyciu obrazów DCE-MRI. Dodatkowo, zastosowano algorytm Shapley Additive Explanation (SHAP) do analizy wkładu zmiennych uwzględnionych w modelu, dostarczając cennych informacji dla formułowania bardziej precyzyjnych planów leczenia przedoperacyjnego pacjentów z rakiem piersi.