基于参数动力学特征的乳腺癌 NAC 反应预测模型。
基于治疗前和早期治疗MR-PET和QDS-IR图像参数动力学特征的乳腺癌新辅助化疗反应预测模型。
研究概览
详细说明
乳腺癌是最常被诊断出的癌症,并且在过去十年中仍然是台湾女性癌症死亡的第四大原因。 关于乳腺癌最佳治疗的决定取决于雌激素 (ER) 和孕激素受体 (PR) 测试、人表皮生长因子 2 型受体 (HER2) 测试以及活检的 TNM 分期的结果。 在评估绝经状态和 ER、PR 和 HER2 的反应后,2 期或以上乳腺癌的治疗可以考虑新辅助化疗 (NAC),其好处是 (1) 将无法手术切除的癌症转变为可手术切除的癌症,(2) 转移管理,(3)缩小肿瘤,(4)提高总生存率和无复发生存率(5)组织学参数预测。 众所周知,NAC 后病理完全缓解 (pCR) 的患者与更好的无病生存期和总生存期改善相关。 因此,有必要开发更有效的治疗方案,并基于计算机辅助预测模型对患者进行分层,以评估 NAC 的反应。
本研究的主要目的是开发 NAC 治疗反应的计算机辅助预测模型。 基于常见的内部参数肿瘤成分的异质性,本研究将利用组织学特征和治疗反应来研究图像特征,作为使用深度学习技术预测治疗反应的输入数据。 使用该技术,通过发达的动态放射组学的肿瘤异质性分析可以促进术前治疗评估,并且在不久的将来可以实现个人医疗的可能性。 在本研究的前两年,我们计划使用来自 DCE-MRI、PET/CT 和 QDS-IR 的图像开发图像处理算法,包括分割乳房和肿瘤区域、提取反映血管生成特性和肿瘤渗透性的图像特征,与 NAC 治疗反应高度相关。 在项目的第三年,可以将前两年的形态和纹理特征结合起来进行PET/MRI,并根据PET/MRI纵向图像动态特征提取所提取的特征来实现预测模型。 以下是预期贡献:
提出一种新颖的参数动力学特征来克服传统阈值方法的问题。
开发 DCE MRI 上乳腺组织和肿瘤区域的分割算法,以改进治疗反应预测。
开发非侵入性 QDS-IR 图像的轨迹分析 通过将 PET 摄取边界与 CT 肿瘤边界配准来开发代谢肿瘤体积的分割算法,以提高形态特征的可靠性和再现性。
通过结合先前为 PET/CT 和 DCE MRI 开发的技术,新型特征,即 PET/MRI 的参数动态特征,可以用作预测 NAC 反应的动态放射组学。
开发深度学习算法,这是该项目在自学习方法方面的核心,用于利用高维特征空间来搜索预测模型。
受试者资格和招募这项前瞻性研究得到了当地机构伦理委员会的批准,该委员会免除了审查记录和图像所需的患者批准和书面知情同意书的要求。
从 2015 年 4 月到 2019 年 6 月,对 60 名接受 NAC 的乳腺癌女性进行了资格筛查。 资格标准是患者:(a) 年龄 > 18 岁,(b) 经空心针活检病理证实患有乳腺癌,(c) 愿意接受 NAC,(d) NAC 后有资格进行手术,并且(e) 愿意在 NAC 期间接受至少两次 PET/MR 扫描:第一次 [R0],治疗前;第二个[R1],两个周期的化疗后(治疗后)。 在 60 名女性中,有 14 名因以下原因被排除:(a)第一次扫描后发现远处转移(n=1),因此不符合手术资格; (b) 因个人原因无法完成两次连续 PET/MR 扫描的患者 (n=10); (c) 患者在第一个周期后拒绝进一步 NAC (n=2); (d) 由于肌酐水平升高而无法进行治疗后扫描 (n=1)。 研究纳入流程图如图1所示。 所有患者均接受 6 至 8 个周期的 NAC,包括以下选项。 对于人表皮生长因子受体 2 (HER2) 阴性患者,NAC 包括同时使用表阿霉素与环磷酰胺(基于 EC)或表阿霉素与环磷酰胺,然后使用紫杉烷类药物(多西紫杉醇或紫杉醇;EC+T)。 对于 HER2 阳性患者,NAC 方案包括同时使用紫杉烷类药物与曲妥珠单抗(基于 TH),或紫杉烷类药物与环磷酰胺并发曲妥珠单抗治疗方案(EC+TH),或紫杉烷类药物与曲妥珠单抗和帕妥珠单抗治疗(THP)。 一名三阴性患者接受紫杉醇联合阿法替尼治疗。
PET/MR 图像采集 MR 检查在 3T PET/MR 扫描仪(Biograph mMR,Siemens Healthcare,埃尔兰根,德国)上进行。 治疗中期扫描安排在两个 NAC 周期后。 最后一次扫描是在手术前安排的。 使用专用的四通道乳房线圈(Noras GmbH,Höchberg,德国)对患者进行俯卧位扫描。 禁食至少6小时后,患者静脉注射3.7-5.55 MBq/kg (0.1-0.15 mCi/kg) 18F-氟脱氧葡萄糖 (18F-FDG)。 大约 60 分钟后进行 PET/MR 扫描。 俯卧位进行 10 分钟的乳房 PET 扫描以及对比前乳房 MRI 检查。 PET 图像采用有序子集、期望最大化迭代算法(3 次迭代,21 个子集)、4mm 重建后高斯滤波器和 172 x 172 的图像矩阵进行重建。 PET 数据的衰减校正是通过使用 4 组织类滤波器(空气、肺、脂肪、软组织)分段衰减校正图来获得的,该图是根据 2 点 Dixon MR 脉冲序列重建的。
预构建乳腺 MRI 方案包括 2D 梯度回波 T1 加权(重复时间 [TR]/回波时间 [TE],500/9.8 ms,翻转角150°,切片厚度3.5mm;矩阵视场 [FOV] 320 × 320),T2 加权短 tau 反转恢复 (STIR) 图像(TR/TE/TI = 3000/78/230 ms,矩阵大小 320 × 320,切片厚度 4.0 mm,矩阵 FOV 330 × 330 mm),扩散加权图像(DWI)(TR/TE = 7500/83 ms,矩阵尺寸 192 × 77,切片厚度 4.0 mm,FOV 360 × 1830 mm,b 值 = 50、600 和 1000 秒/获得了具有表观扩散系数 (ADC) 的图 (mm2,平均值 = 2)。
使用脂肪饱和 T1 加权快速低角度拍摄 (FLASH) 3D 梯度回波序列(TR/TE 4.1/1.5 ms、切片厚度和间隙 1.0/0 mm,矩阵尺寸 352 × 282,翻转角 10°,146 个切片,FOV 330 × 330 mm),采用光谱衰减反演恢复(SPAIR),每组大约需要 60 秒。 对比后 DCE-MRI 在静脉注射 0.1mmol/kg 钆布醇(Gadovist;Bayer Pharma AG,柏林,德国)后 10 秒开始,注射速率为 3 mL/s。
组织病理学评估 组织学类型和分级基于 NAC 之前进行的超声引导核心活检的组织病理学报告。 使用免疫组织化学染色评估雌激素受体(ER)、孕激素受体(PR)和 HER2 的表达。 使用 Allred 评分评估 ER 和 PR 阳性,其中评分 > 3 被认为是阳性。 如果免疫组化评分为 3+,则认为肿瘤为 HER2 阳性。 如果免疫组织化学中 HER2 状态不明确(得分 2+),则进行荧光原位杂交分析 (FISH) 来确认诊断。
pCR 的定义是 NAC 后手术乳腺标本中除原位导管癌 (DCIS) 外不存在残留浸润性癌症,并且不存在腋窝淋巴结受累,正如 Pinder 等人之前报道的那样。
图像分析 图像由两名放射科医生(Y.F.L. 和 N.C.,两人都拥有 12 年乳腺成像经验)进行解读。 两位放射科医生对 MRI 上的肿瘤外观(肿块、非肿块增强)进行目视评估。 通过选择包围高信号强度增强的最大横截面积的二维区域(ROI)来手动定义感兴趣区域(ROI),该二维区域不同于第五对比度增强系列上的正常背景实质组织,同时避免正常实质组织和标记剪辑伪影。 如果癌症是多灶性或多中心的,则在最大尺寸的肿瘤区域测量 ROI。
分割肿瘤 ROI 后,使用半自动非刚性配准和手动对齐,使用在动态对比度增强 (DCE) 图像上绘制的 ROI 来对齐 PET 和 MR 图像,包括 DWI 和表观扩散系数 (ADC) 图像 ROI 测量值在必要时。 在 DCE 图像的六个不同相位(编码为 P1 至 P6)上同时评估 ROI。 ROI 也被注册到其他系列上,包括 b 值 = 1000 秒/mm2 的 DWI、ADC 图和 PET 图像。 根据每个 ROI,自动计算六个一阶和四个二阶纹理特征。 直方图分析用于评估一阶纹理特征,包括平均值、标准差 (SD)、中值、第 5 个和第 95 个百分位数、峰度和偏度。 对于二阶纹理分析,采用灰度共生矩阵(GLCM)作为母矩阵,从GLCM中提取四种异构纹理特征,即差值熵(DiffEntropy)、差值方差(DiffVariance)、对比度和熵[18]。 这些质地参数是使用 MR 多参数分析原型软件(Siemens Healthcare,埃尔兰根,德国)计算的。 所有成像参数均使用治疗前 (R0) 和治疗中期 (R1) 进行的 PET/MR 扫描进行评估,并对手术前 (R2) 进行分析。
研究类型
注册 (实际的)
阶段
- 不适用
参与标准
资格标准
适合学习的年龄
- 成人
- 年长者
接受健康志愿者
描述
纳入标准:
- (a) 年龄 > 20 岁,
- (b) 经空心针活检病理证实为乳腺癌
- (c) 愿意接受 NAC
- (d) NAC 后符合手术条件
- (e) 愿意在 NAC 期间接受至少三次 PET/MR 扫描:第一次 [R0],治疗前;第二个 [R1],两个周期化疗后(治疗后)和手术前 [R2]
排除标准:
- (a) 远处转移或复发性乳腺癌。
- (b) 无法遵守顺序 PET/MR 扫描时间表。
- (c)肾功能受损,CCR>30ml/min。
- (d) 已知过敏者
学习计划
研究是如何设计的?
设计细节
- 主要用途:诊断
- 分配:不适用
- 介入模型:单组作业
- 屏蔽:无(打开标签)
武器和干预
参与者组/臂 |
干预/治疗 |
---|---|
其他:乳腺癌新辅助化疗患者的 PET/MR 扫描
2015年4月至2019年6月,接受新辅助化疗的乳腺癌女性入组。 NAC期间安排至少三次PET/MR扫描:第一次[R0],治疗前;第二个[R1],在两个周期的化疗后(治疗后),第三个[R2]在手术前。 |
招募和参与本研究的受试者将在术前化疗期间进行 PET/MR。
但是,按照正常程序,他们不会这样做。
|
研究衡量的是什么?
主要结果指标
结果测量 |
措施说明 |
大体时间 |
---|---|---|
模型对病理完全缓解(pCR)的预测能力
大体时间:平均四个月
|
MR/PET 和 QDS-IR 得出的不同预测模型在 AUC 方面的比较。
|
平均四个月
|
病理完全缓解(pCR)预测模型比较
大体时间:平均四个月
|
MR/PET 和 QDS-IR 不同预测模型在灵敏度、特异性和准确性方面的比较。
|
平均四个月
|
合作者和调查者
调查人员
- 学习椅:Yeun-Chung Chang, M.D., PhD.、National Taiwan University Hospital
出版物和有用的链接
一般刊物
- Gerlinger M, Rowan AJ, Horswell S, Math M, Larkin J, Endesfelder D, Gronroos E, Martinez P, Matthews N, Stewart A, Tarpey P, Varela I, Phillimore B, Begum S, McDonald NQ, Butler A, Jones D, Raine K, Latimer C, Santos CR, Nohadani M, Eklund AC, Spencer-Dene B, Clark G, Pickering L, Stamp G, Gore M, Szallasi Z, Downward J, Futreal PA, Swanton C. Intratumor heterogeneity and branched evolution revealed by multiregion sequencing. N Engl J Med. 2012 Mar 8;366(10):883-892. doi: 10.1056/NEJMoa1113205. Erratum In: N Engl J Med. 2012 Sep 6;367(10):976.
- Houssami N, Macaskill P, von Minckwitz G, Marinovich ML, Mamounas E. Meta-analysis of the association of breast cancer subtype and pathologic complete response to neoadjuvant chemotherapy. Eur J Cancer. 2012 Dec;48(18):3342-54. doi: 10.1016/j.ejca.2012.05.023. Epub 2012 Jul 3.
- Yang Z, Tang LH, Klimstra DS. Effect of tumor heterogeneity on the assessment of Ki67 labeling index in well-differentiated neuroendocrine tumors metastatic to the liver: implications for prognostic stratification. Am J Surg Pathol. 2011 Jun;35(6):853-60. doi: 10.1097/PAS.0b013e31821a0696.
- Davnall F, Yip CS, Ljungqvist G, Selmi M, Ng F, Sanghera B, Ganeshan B, Miles KA, Cook GJ, Goh V. Assessment of tumor heterogeneity: an emerging imaging tool for clinical practice? Insights Imaging. 2012 Dec;3(6):573-89. doi: 10.1007/s13244-012-0196-6. Epub 2012 Oct 24.
- Gillies RJ, Schornack PA, Secomb TW, Raghunand N. Causes and effects of heterogeneous perfusion in tumors. Neoplasia. 1999 Aug;1(3):197-207. doi: 10.1038/sj.neo.7900037.
- von Minckwitz G, Rezai M, Loibl S, Fasching PA, Huober J, Tesch H, Bauerfeind I, Hilfrich J, Eidtmann H, Gerber B, Hanusch C, Kuhn T, du Bois A, Blohmer JU, Thomssen C, Dan Costa S, Jackisch C, Kaufmann M, Mehta K, Untch M. Capecitabine in addition to anthracycline- and taxane-based neoadjuvant treatment in patients with primary breast cancer: phase III GeparQuattro study. J Clin Oncol. 2010 Apr 20;28(12):2015-23. doi: 10.1200/JCO.2009.23.8303. Epub 2010 Mar 22.
- Kaufmann M, von Minckwitz G, Bear HD, Buzdar A, McGale P, Bonnefoi H, Colleoni M, Denkert C, Eiermann W, Jackesz R, Makris A, Miller W, Pierga JY, Semiglazov V, Schneeweiss A, Souchon R, Stearns V, Untch M, Loibl S. Recommendations from an international expert panel on the use of neoadjuvant (primary) systemic treatment of operable breast cancer: new perspectives 2006. Ann Oncol. 2007 Dec;18(12):1927-34. doi: 10.1093/annonc/mdm201. Epub 2007 Nov 12.
- Pinker K, Helbich TH, Morris EA. The potential of multiparametric MRI of the breast. Br J Radiol. 2017 Jan;90(1069):20160715. doi: 10.1259/bjr.20160715. Epub 2016 Nov 2. Erratum In: Br J Radiol. 2017 Apr;90(1072):20160715e.
- Yoon HJ, Kim Y, Chung J, Kim BS. Predicting neo-adjuvant chemotherapy response and progression-free survival of locally advanced breast cancer using textural features of intratumoral heterogeneity on F-18 FDG PET/CT and diffusion-weighted MR imaging. Breast J. 2019 May;25(3):373-380. doi: 10.1111/tbj.13032. Epub 2018 Mar 30.
- Wang J, Shih TT, Yen RF. Multiparametric Evaluation of Treatment Response to Neoadjuvant Chemotherapy in Breast Cancer Using Integrated PET/MR. Clin Nucl Med. 2017 Jul;42(7):506-513. doi: 10.1097/RLU.0000000000001684.
- Erratum: Predicting Response to Neoadjuvant Chemotherapy in Patients With Breast Cancer: Combined Statistical Modeling Using Clinicopathological Factors and FDG PET/CT Texture Parameters. Clin Nucl Med. 2021 Jun 1;46(6):525. doi: 10.1097/RLU.0000000000003704. No abstract available.
- Lim I, Noh WC, Park J, Park JA, Kim HA, Kim EK, Park KW, Lee SS, You EY, Kim KM, Byun BH, Kim BI, Choi CW, Lim SM. The combination of FDG PET and dynamic contrast-enhanced MRI improves the prediction of disease-free survival in patients with advanced breast cancer after the first cycle of neoadjuvant chemotherapy. Eur J Nucl Med Mol Imaging. 2014 Oct;41(10):1852-60. doi: 10.1007/s00259-014-2797-4. Epub 2014 Jun 14.
- Hylton NM, Blume JD, Bernreuter WK, Pisano ED, Rosen MA, Morris EA, Weatherall PT, Lehman CD, Newstead GM, Polin S, Marques HS, Esserman LJ, Schnall MD; ACRIN 6657 Trial Team and I-SPY 1 TRIAL Investigators. Locally advanced breast cancer: MR imaging for prediction of response to neoadjuvant chemotherapy--results from ACRIN 6657/I-SPY TRIAL. Radiology. 2012 Jun;263(3):663-72. doi: 10.1148/radiol.12110748.
- Yuan Y, Chen XS, Liu SY, Shen KW. Accuracy of MRI in prediction of pathologic complete remission in breast cancer after preoperative therapy: a meta-analysis. AJR Am J Roentgenol. 2010 Jul;195(1):260-8. doi: 10.2214/AJR.09.3908.
- Choi JH, Kim HA, Kim W, Lim I, Lee I, Byun BH, Noh WC, Seong MK, Lee SS, Kim BI, Choi CW, Lim SM, Woo SK. Early prediction of neoadjuvant chemotherapy response for advanced breast cancer using PET/MRI image deep learning. Sci Rep. 2020 Dec 3;10(1):21149. doi: 10.1038/s41598-020-77875-5.
- Romeo V, Clauser P, Rasul S, Kapetas P, Gibbs P, Baltzer PAT, Hacker M, Woitek R, Helbich TH, Pinker K. AI-enhanced simultaneous multiparametric 18F-FDG PET/MRI for accurate breast cancer diagnosis. Eur J Nucl Med Mol Imaging. 2022 Jan;49(2):596-608. doi: 10.1007/s00259-021-05492-z. Epub 2021 Aug 10.
研究记录日期
研究主要日期
学习开始 (实际的)
初级完成 (实际的)
研究完成 (实际的)
研究注册日期
首次提交
首先提交符合 QC 标准的
首次发布 (实际的)
研究记录更新
最后更新发布 (实际的)
上次提交的符合 QC 标准的更新
最后验证
更多信息
此信息直接从 clinicaltrials.gov 网站检索,没有任何更改。如果您有任何更改、删除或更新研究详细信息的请求,请联系 register@clinicaltrials.gov. clinicaltrials.gov 上实施更改,我们的网站上也会自动更新.