Mammography-Based Deep Learning Radiomics for Predicting HER2 Expression in Breast Cancer: A Dual-Center Study with Focus on HER2-Low Status
Diese zwei Zentren umfassende Studie zeigt, dass ein auf Mammographie basierendes Deep-Learning-Radiomics-Modell unter Verwendung der Visformer-Architektur den HER2-positiven gegenüber dem HER2-negativen Status sowie den HER2-low gegenüber dem HER2-zero Status bei Brustkrebspatientinnen nichtinvasiv und zuverlässig vorhersagen kann.
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 bleibt die häufigste bösartige Erkrankung, die Frauen weltweit betrifft – eine Krankheit, bei der die spezifische biologische Beschaffenheit eines Tumors den Weg für die Behandlung vorgibt. Unter den vielen Markern, die Ärzte untersuchen, um einen Tumor zu verstehen, ist einer namens HER2 besonders entscheidend. Bei etwa jedem fünften neu diagnostizierten Fall tragen die Krebszellen eine Fülle dieses Proteins, ein Zustand, der als HER2-positiv bekannt ist. Diese Tumoren neigen dazu, aggressiver zu wachsen, reagieren aber auch gut auf spezifische gezielte Therapien, die darauf abzielen, dieses Protein anzugreifen. Jahrzehntelang bestand der Standardansatz zur Identifizierung dieser Tumoren darin, eine kleine Gewebeprobe, bekannt als Biopsie, zu entnehmen und sie unter einem Mikroskop zu untersuchen. Jedoch ist vor kurzem eine neue Kategorie im medizinischen Verständnis entstanden: HER2-low. Diese Tumoren besitzen nicht genug des Proteins, um als positiv bezeichnet zu werden, weisen jedoch gerade genug davon auf, um potenziell auf eine neue Generation leistungsstarker Medikamente zu reagieren. Die Unterscheidung zwischen Tumoren, die überhaupt kein HER2 besitzen, und solchen, die ein wenig HER2 besitzen, ist nun eine lebenswichtige klinische Frage, doch die traditionelle Methode der Testung stützt sich auf invasive Verfahren, die manchmal das Ziel verfehlen können, da die Verteilung der Zellen innerhalb eines Tumors ungleichmäßig sein kann.
Ein Forscherteam setzte sich zum Ziel zu prüfen, ob ein anderer, nicht-invasiver Ansatz dieses Problem lösen könnte. Sie wandten sich der Mammographie zu, dem Standard-Röntgenverfahren zur Brustkrebsvorsorge, das weit verbreitet und den meisten Frauen vertraut ist. Anstatt sich allein auf die visuelle Inspektion des Bildes durch einen Radiologen zu verlassen, wandte das Team eine Technik namens Deep-Learning-Radiomics an. Dieser Prozess beinhaltet das Einspeisen der digitalen Mammographie-Bilder in ein Computersystem, das in der Lage ist, subtile Muster und Texturen zu erkennen, die für das menschliche Auge zu fein sind. Die Forscher wollten wissen, ob diese verborgenen digitalen Signaturen den HER2-Status eines Tumors vor einer Operation oder Biopsie vorhersagen könnten. Sie konzentrierten sich dabei auf zwei spezifische Herausforderungen: erstens die Unterscheidung zwischen HER2-positiven Tumoren und jenen, die es nicht sind, und zweitens die Trennung der neu wichtigen HER2-low-Gruppe von jenen mit null HER2-Expression.
Um ihre Idee zu testen, sammelte das Forscherteam Daten von 546 Frauen mit bestätigtem Brustkrebs aus zwei verschiedenen medizinischen Zentren. Sie unterteilten die Patientinnen in Gruppen, um ihre Computermodelle zu trainieren und anschließend zu testen, um sicherzustellen, dass die Ergebnisse nicht nur ein glücklicher Zufall bei einem einzelnen Datensatz waren. Das Computersystem analysierte die Mammographien und extrahierte tausende winzige numerische Details über die Form, Textur und Dichte der Tumoren. Durch die Kombination der Vorhersagen mehrerer verschiedener mathematischer Modelle schuf das Team ein einziges, robustes Werkzeug, das darauf ausgelegt war, die endgültige Entscheidung zu treffen. Die Ergebnisse zeigten, dass dieser digitale Ansatz tatsächlich den Unterschied „sehen“ konnte. Beim Versuch, HER2-positive Tumoren von den übrigen zu unterscheiden, zeigte das Modell in seinen ersten Tests eine hohe Genauigkeit, und obwohl die Leistung bei der Testung an einer völlig neuen Patientengruppe aus einem anderen Krankenhaus leicht sank, behielt es dennoch eine zuverlässige Fähigkeit bei, die Gruppen zu unterscheiden.
Die Ergebnisse waren noch ermutigender, als das Team sich der schwierigen Aufgabe widmete, HER2-low-Tumoren von jenen ohne HER2 zu trennen. In der initialen Trainingsphase war das Modell sehr erfolgreich, und es behauptete sich auch in der Anwendung auf die externe Patientengruppe recht gut. Die Studie untersuchte zudem die traditionellen Faktoren, die Ärzte zur Risikobewertung nutzen, wie etwa die Größe des Tumors, das Alter der Patientin und die Dichte des Brustgewebes. Sie bestätigten, dass bestimmte Merkmale, wie ein hoher Grad der Tumorzellen und eine schnelle Zellteilungsrate, stark mit dem HER2-positiven Status verknüpft waren. Ähnlich fanden sie, dass der Hormonrezeptorstatus und die Brustdichte eine Rolle bei der Identifizierung von HER2-low-Tumoren spielten. Dennoch bot die Fähigkeit des Computermodells, diese Status direkt aus den Röntgenbildern vorherzusagen, eine neue Ebene der Erkenntnis, die nicht allein von diesen anderen Variablen abhing.
Die Forscher räumten ein, dass ihre Arbeit Grenzen hat. Da die Studie auf die Rückschau in vergangene Patientendaten statt auf die Beobachtung neuer Patientinnen in der Zukunft basierte, besteht die Möglichkeit, dass die Auswahl der Daten eine gewisse Verzerrung (Bias) eingeführt hat. Auch die manuelle Umrandung der Tumorbereiche auf den Röntgenbildern durch menschliche Radiologen bedeutet, dass der Prozess noch nicht vollständig automatisiert ist. Zudem war die Anzahl der Patientinnen, obwohl substanziell, nicht groß genug, um zu garantieren, dass die Ergebnisse für jedes erdenkliche Szenario Bestand haben würden. Trotz dieser Einschränkungen legt die Studie nahe, dass die Mammographie, die oft lediglich als Werkzeug zur Krebserkennung betrachtet wird, auch als ein mächtiges Fenster in die molekulare Natur der Krankheit dienen könnte. Indem sie einen nicht-invasiven Weg bietet, den HER2-Status zu schätzen, könnte dieser Ansatz Ärzten eines Tages helfen, fundiertere Entscheidungen über Behandlungspläne zu treffen, was potenziell die Notwendigkeit wiederholter Biopsien reduziert und sicherstellt, dass Patientinnen früher die richtigen gezielten Therapien erhalten. Die Arbeit beansprucht nicht, den aktuellen Goldstandard der Gewebetestung zu ersetzen, aber sie weist auf eine Zukunft hin, in der Bildgebung und künstliche Intelligenz zusammenarbeiten, um ein klareres, vollständigeres Bild der Krankheit zu vermitteln, noch bevor die erste Nadel eingesetzt wird.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.