Preoperative Prediction of Vascular Invasion in Breast Cancer Based on Habitat-Based Radiomics Integrating Intratumoral and Multidimensional Peritumoral Features: A Multicenter DCE-MRI Study
Diese multizentrische Studie zeigt, dass ein multimodales Fusionsmodell, welches DCE-MRT-basierte Habitat-Radiomics aus intratumoralen und multidimensionalen peritumoralen Regionen mit klinischen Faktoren kombiniert, die präoperative lymphovaskuläre Invasion bei Brustkrebs effektiv vorhersagt und somit ein validiertes nicht-invasives Instrument für die personalisierte Risikostratifizierung bietet.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Brustkrebs ist keine einzelne, einheitliche Krankheit; er ist eine Sammlung von Tumoren, die sich auf völlig unterschiedliche Weise verhalten. Einige wachsen langsam und bleiben an Ort und Stelle, während andere aggressiv sind und winzige Zellcluster in die Transportsysteme des Körpers senden, um an anderen Stellen neue Kolonien zu gründen. Eines der kritischsten Anzeichen dieses gefährlichen Verhaltens ist die Invasion der Lymphgefäße. Dies geschieht, wenn Krebszellen aus dem Haupttumor ausbrechen und in die winzigen Gefäße gleiten, die Flüssigkeit durch den Körper transportieren und so als Autobahn für die Ausbreitung der Krankheit dienen. Zu wissen, ob diese Zellen vor der Operation in die Gefäße eingedrungen sind, ist für Ärzte von entscheidender Bedeutung. Es hilft ihnen zu entscheiden, wie viel Gewebe entfernt werden muss und ob eine Patientin im Anschluss stärkere Behandlungen benötigt. Jahrzehntelang war der einzige Weg, sicher zu wissen, ob eine solche Invasion stattgefunden hat, darauf zu warten, bis der Tumor entfernt und unter einem Mikroskop untersucht wurde. Diese Verzögerung lässt Patienten und Ärzte während der kritischsten Planungsphase im Unklaren.
Forscher hoffen schon lange, dass fortschrittliche Bildgebung ein klares Bild dieser verborgenen Gefahr liefern kann, noch bevor das Messer den Patienten berührt. Die Magnetresonanztomographie, oder MRT, ist bereits ein leistungsstarkes Werkzeug zur Untersuchung des Brustgewebes und zeigt Details, die andere Scans übersehen. Herkömmliche Methoden der Bildbetrachtung behandeln einen Tumor jedoch oft als ein einzelnes, solides Objekt. Dieser Ansatz übersieht die komplexe interne Landschaft des Krebses, in der verschiedene Bereiche über unterschiedliche Blutflüsse, Zelldichten und chemische Umgebungen verfügen können. Um dies zu lösen, setzten sich Wissenschaftler zum Ziel, eine neue Art von Karte zu erstellen. Sie wollten sehen, ob sie die subtilen Texturen und Muster innerhalb einer MRT-Aufnahme nutzen könnten, um vorherzusagen, ob Krebszellen bereits begonnen haben, ihre Reise in das Lymphsystem anzutreten, indem sie die visuellen Daten mit einfachen Fakten über die Gesundheit der Patientin kombinierten, um einen zuverlässigen Leitfaden für die Behandlung zu erstellen.
Die Studie, die in zwei großen Krankenhäusern in China durchgeführt wurde, fasste Daten von 742 Frauen mit Brustkrebs zusammen. Die Forscher konzentrierten sich auf eine spezielle Art von MRT-Scan, die sogenannte dynamische kontrastverstärkte MRT, die verfolgt, wie sich ein Kontrastmittel über die Zeit durch das Gewebe bewegt, wodurch die Geschwindigkeit und das Muster des Blutflusses sichtbar werden. Sie begannen damit, eine sorgfältige Umrandung um jeden Tumor auf dem Scan zu zeichnen. Dann gingen sie detaillierter vor als üblich: Sie betrachteten nicht nur den Tumor selbst, sondern auch das unmittelbar umgebende Gewebe. Sie erweiterten ihre Sichtweise in Schritten und untersuchten das Gewebe in einem Abstand von einem Millimeter, drei Millimetern, fünf Millimetern, sieben Millimetern und schließlich zehn Millimetern vom Tumorrand entfernt. Dies geschah, um zu sehen, ob die „Nachbarschaft“ um den Krebs herum Hinweise auf dessen Aggressivität enthielt.
Um das Innere des Tumors zu verstehen, nutzten die Forscher eine Methode, die von der Ökologie inspiriert ist, indem sie den Tumor wie eine Landschaft mit verschiedenen Lebensräumen behandelten. Anstatt ihn als einen großen Klumpen zu sehen, verwendeten sie Computeralgorithmen, um den Tumor in kleinere, deutlich voneinander abgegrenzte Zonen basierend auf dem Verhalten der Zellen zu unterteilen. Einige Zonen könnten dicht besiedelt mit Zellen sein, während andere reich an Blutgefäßen sind. Durch die Analyse dieser spezifischen „Lebensräume“ hofften sie, die einzigartigen Signaturen der gefährlichsten Teile des Tumors zu finden. Sie speisten all diese visuellen Informationen – sowohl die internen Lebensräume als auch die umliegenden Gewebeschichten – in eine Reihe von Programmen für maschinelles Lernen ein. Diese Programme waren darauf ausgelegt, Muster zu finden, die dem menschlichen Auge entgehen würden, wobei neun verschiedene Arten mathematischer Modelle getestet wurden, um zu sehen, welches am besten das Vorhandensein einer Lymphinvasion vorhersagen konnte.
Die Ergebnisse zeigten, dass es nicht ausreichte, den Tumor isoliert zu betrachten. Die Modelle, die nur den Tumor selbst oder sehr schmale Ringe des umgebenden Gewebes betrachteten, hatten Schwierigkeiten mit der Genauigkeit. Als die Forscher jedoch die Daten aus der siebenmillimeter breiten Zone um den Tumor mit den internen Habitat-Karten kombinierten, wurde das Bild wesentlich klarer. Sie fügten dann zwei einfache Informationen hinzu, die Ärzte bereits kennen: ob die Patientin in die Menopause gekommen war und ob die nahegelegenen Sentinel-Lymphknoten (die ersten Knoten, die Krebs auffangen) Anzeichen von Problemen zeigten. Diese Kombination schuf ein leistungsstarkes neues Werkzeug. Als das Modell an einer völlig separaten Gruppe von Patientinnen aus einem anderen Krankenhaus getestet wurde, identifizierte es das Risiko einer Lymphinvasion in etwa 71 Prozent der Fälle korrekt, in denen sie vorhanden war, während es das Risiko in etwa 75 Prozent der Fälle, in denen sie nicht vorhanden war, ebenfalls korrekt ausschloss.
Die Studie ergab, dass der effektivste Ansatz nicht darin bestand, sich nur auf eine Art von Daten zu verlassen. Ein Modell, das nur die klinische Vorgeschichte der Patientin nutzte, war passabel, aber das Hinzufügen der detaillierten Bilddaten verbesserte die Fähigkeit, die gefährlichen Fälle zu erfassen, erheblich. Die Forscher stellten fest, dass der siebenmillimeter breite Ring um den Tumor die nützlichsten Informationen zu erfassen schien, da er wahrscheinlich die aktive Kante enthält, an der der Tumor mit dem Körper interagiert, ohne sich in den Rauschen von Gewebe zu verlieren, das zu weit entfernt ist. Obwohl die Computermodelle nicht perfekt waren, boten sie eine Ebene an Erkenntnissen, die zuvor vor einer Operation nicht verfügbar war. Die Studie legt nahe, dass Ärzte eine viel bessere Vorstellung von der Bedrohung erhalten können, wenn sie den Tumor als eine komplexe, sich verändernde Umgebung und nicht als statisches Objekt betrachten.
Diese Arbeit beansprucht nicht, das Problem vollständig gelöst zu haben. Die Forscher waren sorgfältig darauf bedacht, darauf hinzuweisen, dass ihr Modell ein Werkzeug zur Unterstützung von Ärzten ist und keinen Ersatz für die abschließende pathologische Untersuchung darstellt. Die Studie war retrospektiv, was bedeutet, dass sie auf Daten zurückblickte, die bereits gesammelt worden waren, und die Anzahl der Patientinnen in der abschließenden Testgruppe war relativ klein. Es gibt zudem Unterschiede zwischen den verwendeten MRT-Geräten der beiden Krankenhäuser, was die Erscheinung der Bilder beeinflussen kann. Trotz dieser Einschränkungen sind die Ergebnisse signifikant, da sie zeigen, dass ein nicht-invasiver Scan das verborgene Verhalten eines Tumors offenbaren kann. Durch die Integration der visuellen Komplexität des Mikromilieus des Tumors mit einfachen klinischen Fakten bietet dieser Ansatz eine vielversprechende Möglichkeit, das Risiko vor dem Betreten des Operationssaals zu klassifizieren, was potenziell zu präziseren und personalisierteren Behandlungsplänen führen kann.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.