Модель прогнозирования ответа NAC при раке молочной железы на основе особенностей параметрической динамики.

Рак молочной железы является наиболее часто диагностируемым раком и остается четвертой по значимости причиной смертности от рака среди тайваньских женщин за последнее десятилетие. Решения о наилучшем лечении рака молочной железы принимаются на основе результатов теста на рецепторы эстрогена (ER) и прогестерона (PR), теста на рецептор эпидермального фактора роста человека типа 2 (HER2) и определения стадии TNM с использованием биопсии. После оценки статуса менопаузы и реакции ER, PR и HER2 при лечении рака молочной железы 2-й стадии или выше можно рассмотреть неоадъювантную химиотерапию (NAC) для преимуществ (1) превращения неоперабельного рака в хирургически резектабельный, (2) метастазирования. лечение, (3) уменьшение опухоли, (4) улучшение общей выживаемости и безрецидивной выживаемости (5) прогнозирование гистологических параметров. Известно, что пациенты с патологическим полным ответом (pCR) после NAC связаны с лучшей безрецидивной выживаемостью и улучшенной общей выживаемостью. Поэтому важно разработать более эффективные схемы лечения и стратифицировать пациентов на основе компьютерной модели прогнозирования для оценки ответа NAC.

Основная цель данного исследования — разработать компьютерную модель прогнозирования ответа на лечение NAC. Учитывая обычно наблюдаемую гетерогенность внутреннего параметрического состава опухоли, в этом исследовании будут использоваться гистологические характеристики и реакция на лечение для изучения особенностей изображения в качестве входных данных для прогнозирования ответа на лечение с использованием технологии глубокого обучения. Используя этот метод, предоперационная оценка лечения может быть облегчена за счет анализа гетерогенности опухоли с помощью разработанной динамической радиомики, а возможность индивидуальной медицины может быть реализована в ближайшем будущем. В первые два года этого исследования, используя изображения DCE-MRI, ПЭТ/КТ и QDS-IR, мы планируем разработать алгоритмы обработки изображений, включая сегментацию молочной железы и области опухоли, извлечение особенностей изображения, которые отражают ангиогенные свойства и проницаемость опухоли. , которые сильно коррелируют с ответом на лечение NAC. В течение третьего года проекта особенности морфологии и текстуры первых двух лет могут быть объединены для ПЭТ/МРТ, а модель прогнозирования может быть получена в соответствии с признаками, полученными в результате извлечения динамических признаков с использованием продольных изображений ПЭТ/МРТ. Ожидаемые вклады следующие:

Предложить новые возможности параметрической динамики для преодоления проблем традиционного метода пороговой обработки.

Разработать алгоритмы сегментации ткани молочной железы и области опухоли на МРТ DCE для улучшения прогнозирования ответа на лечение.

Разработать траекторный анализ для неинвазивного QDS-IR-изображения. Разработать алгоритм сегментации метаболического объема опухоли путем регистрации границы поглощения ПЭТ с границей опухоли КТ, чтобы повысить надежность и воспроизводимость морфологических признаков.

Объединив предыдущие методы, разработанные для ПЭТ/КТ и DCE МРТ, новые типы функций, а именно характеристики параметрической динамики ПЭТ/МРТ, могут использоваться в качестве динамической радиомики для прогнозирования реакции NAC.

Разработать алгоритм глубокого обучения, который является основой проекта с точки зрения методологии самообучения, для использования многомерного пространства функций в поисках модели прогнозирования.

Право на участие и участие субъектов. Это проспективное исследование было одобрено местным комитетом по этике учреждения, который отменил требование одобрения пациента и письменного информированного согласия на рассмотрение записей и изображений.

С апреля 2015 года по июнь 2019 года 60 женщин с раком молочной железы, прошедших NAC, были проверены на предмет соответствия требованиям. Критериями отбора были пациенты, которые: (a) были старше 18 лет, (b) с патологически подтвержденным раком молочной железы при пункционной биопсии, (c) были готовы пройти NAC, (d) имели право на операцию после NAC и (д) были готовы пройти как минимум два сканирования ПЭТ/МР во время NAC: первое [R0], предварительное лечение; и второй [R1] после двух циклов химиотерапии (после лечения). Из 60 женщин 14 были исключены по следующим причинам: (а) отдаленные метастазы, обнаруженные после первого сканирования (n = 1), поэтому они не имели права на операцию; (б) пациенты, неспособные выполнить два последовательных ПЭТ/МРТ по личным причинам (n=10); (в) пациенты отказались от дальнейшего применения НАК после первого цикла (n=2); и (d) сканирование после лечения невозможно было провести из-за повышенного уровня креатинина (n=1). Блок-схема включения в исследование представлена ​​на рисунке 1. Все пациенты получили от 6 до 8 циклов NAC, включая следующие варианты. Для пациентов, отрицательных по рецептору эпидермального фактора роста 2 человека (HER2), NAC включал одновременное применение эпирубицина с циклофосфамидом (на основе EC) или эпирубицина с циклофосфамидом с последующим применением таксанов (доцетаксел или паклитаксел; EC+T). Для HER2-положительных пациентов протоколы NAC включали одновременное применение таксанов с трастузумабом (на основе TH) или одновременный режим таксанов и циклофосфамида с последующим применением трастузумаба (EC+TH) или таксанов с трастузумабом и пертузумабом (THP). Один пациент с тройным отрицательным результатом получал паклитаксел с афатинибом.

Получение изображений ПЭТ/МР. МР-обследования проводились на 3Т-ПЭТ/МР-сканере (Biograph mMR, Siemens Healthcare, Эрланген, Германия). Сканирование в середине лечения было организовано после двух циклов NAC. Последнее сканирование было назначено перед операцией. Пациенток сканировали в положении лежа с использованием специальной четырехканальной грудной катушки (Noras GmbH, Хёхберг, Германия). После голодания в течение не менее 6 часов больным внутривенно вводили 3,7-5,55 МБк/кг (0,1-0,15 мКи/кг) 18F-фтордезоксиглюкозы (18F-ФДГ). ПЭТ/МР-сканирование проводили примерно через 60 минут. Была проведена 10-минутная ПЭТ молочной железы вместе с МРТ молочной железы перед контрастированием в положении лежа. ПЭТ-изображения были реконструированы с помощью итерационного алгоритма с упорядоченным подмножеством и максимизацией ожидания (3 итерации, 21 подмножество), с 4-миллиметровым гауссовским фильтром после реконструкции и матрицей изображений 172 x 172. Коррекция затухания данных ПЭТ была получена с использованием сегментированной карты коррекции затухания с фильтром 4-х классов тканей (воздух, легкие, жир, мягкие ткани), которая была реконструирована на основе 2-точечной последовательности импульсов МР Диксона.

Протокол МРТ молочной железы перед трансплантацией включал 2D градиентное эхо Т1-взвешенное (время повторения [TR]/время эхо[TE], 500/9,8 мс, угол поворота 150°, толщина среза 3,5 мм; поле зрения матрицы [FOV] 320 × 320), T2-взвешенные изображения с коротким тау-инверсией (STIR) (TR/TE/TI = 3000/78/230 мс, размер матрицы 320 × 320, толщина среза 4,0 мм, поле зрения матрицы 330 × 330 мм), диффузионно-взвешенные изображения (DWI) (TR/TE = 7500/83 мс, размер матрицы 192 × 77, толщина среза 4,0 мм, поле зрения 360 × 1830 мм, значение b = 50, 600 и 1000 с/ мм2, среднее = 2) с картами кажущегося коэффициента диффузии (ADC).

Семь динамических изображений с контрастным усилением, в том числе одно до и шесть после введения контрастного вещества, были получены с использованием насыщенной жиром T1-взвешенной быстрой съемки под низким углом (FLASH) 3D-градиентной эхо-последовательности (TR/TE 4,1/1,5 мс, толщина среза и зазор 1,0/0 мм, размер матрицы 352 × 282, угол поворота 10°, 146 срезов, поле зрения 330 × 330 мм) с инверсионным восстановлением со спектральным ослаблением (SPAIR), каждый набор занимал примерно 60 секунд. Постконтрастную DCE-МРТ начинали через 10 секунд после внутривенного введения 0,1 ммоль/кг гадобутрола (Гадовист; Bayer Pharma AG, Берлин, Германия) со скоростью введения 3 мл/с.

Оценка гистопатологии. Гистологический тип и степень были основаны на гистопатологических отчетах о биопсиях под ультразвуковым контролем, выполненных перед NAC. Экспрессию рецептора эстрогена (ER), рецептора прогестерона (PR) и HER2 оценивали с помощью иммуногистохимического окрашивания. Положительность ER и PR оценивалась с использованием шкалы Allred, при которой оценка >3 считалась положительной. Опухоли считались HER2-положительными, если иммуногистохимический показатель составлял 3+. В случаях с сомнительным статусом HER2 (оценка 2+) по данным иммуногистохимии для подтверждения диагноза проводили флуоресцентный гибридизационный анализ in situ (FISH).

pCR определялся как отсутствие остаточного инвазивного рака, за исключением протоковой карциномы in situ (DCIS) в хирургическом образце молочной железы после NAC, и отсутствие поражения подмышечных лимфатических узлов, как ранее сообщалось Pinder et al.

Анализ изображений Изображения интерпретировались двумя рентгенологами (Y.F.L. и NC, оба с 12-летним опытом работы в области визуализации молочной железы). Внешний вид опухоли на МРТ (массовое усиление, немассовое усиление) оценивали визуально два рентгенолога. Области интереса (ROI) определялись вручную путем выбора двумерной области, охватывающей наибольшую площадь поперечного сечения с высокой интенсивностью усиления сигнала, которая отличалась от нормальной фоновой паренхимы в пятой серии с контрастным усилением, избегая при этом нормальной паренхимы и маркировки. артефакты клипа. Если рак был мультифокальным или мультицентрическим, рентабельность инвестиций измерялась в области опухоли с наибольшим размером.

После того, как области интереса опухоли были сегментированы, изображения ПЭТ и МРТ, включая DWI, и изображения ROI с кажущимся коэффициентом диффузии (ADC), были выровнены с использованием ROI, нарисованных на изображениях с динамическим контрастированием (DCE), с использованием полуавтоматической нежесткой регистрации и ручного выравнивания. где необходимо. ROI оценивались одновременно на шести различных фазах изображений DCE (закодированных как от P1 до P6). ROI также были зарегистрированы в других сериях, включая DWI при значении b = 1000 с/мм2, карте ADC и изображениях ПЭТ. Для каждой области интереса автоматически вычислялись шесть текстурных признаков первого и четыре второго порядка. Анализ гистограммы использовался для оценки текстурных характеристик первого порядка, включая среднее значение, стандартное отклонение (SD), медиану, значения 5-го и 95-го процентиля, эксцесс и асимметрию. Для текстурного анализа второго порядка в качестве родительской матрицы использовалась матрица совпадений уровня серого (GLCM), а из GLCM были извлечены четыре гетерогенных текстурных признака, а именно энтропия различий (DiffEntropy), дисперсия различий (DiffVariance), контраст и энтропия [18]. Эти текстурные параметры были рассчитаны с использованием прототипа программного обеспечения MR Multiparametric Analysis (Siemens Healthcare, Эрланген, Германия). Все параметры визуализации оценивались с помощью ПЭТ/МР-сканирований, выполненных до лечения (R0) и в середине лечения (R1), а также анализировались перед операцией (R2).