Preoperative Prediction of Microvascular Invasion in small hepatocellular carcinoma (≤3 cm) by leveraging cross-phase variations of MRI contrast phases

Leberkrebs bleibt eine der gewaltigsten Herausforderungen der modernen Medizin, da er oft zurückkehrt, selbst nachdem ein Chirurg den sichtbaren Tumor erfolgreich entfernt hat. Ein Hauptgrund für dieses Wiederauftreten ist eine verborgene Gefahr namens mikrovaskuläre Invasion, bei der winzige, unsichtbare Stränge von Krebszellen in die Blutgefäße in der Umgebung des Tumors schlüpfen. Dieser Prozess ist ein kritisches Warnsignal dafür, dass die Krankheit aggressiver ist und sich wahrscheinlich ausbreiten wird, doch er kann weder mit dem bloßen Auge noch durch Standard-Scans erkannt werden, bevor die Operation abgeschlossen ist und das Gewebe unter einem Mikroskop untersucht wurde. Da Ärzte nicht wissen können, ob diese mikroskopischen Eindringlinge vorhanden sind, bevor sie operieren, müssen sie schwierige Entscheidungen darüber treffen, wie weit der Rand an gesundem Gewebe zu entfernen ist, oft ohne das vollständige Bild dessen, was sie bekämpfen.

Seit Jahrzehnten verlassen sich Radiologen auf die Magnetresonanztomographie, oder MRT, um Lebertumore zu betrachten. Diese Scans machen Bilder zu verschiedenen Zeitpunkten, während ein Kontrastmittel durch den Körper fließt, und erfassen, wie der Tumor in der arteriellen, venösen und verzögerten Phase aufleuchtet. Während Ärzte diese wechselnden Muster schon lange nutzen, um den Charakter eines Tumors zu beurteilen, kann das menschliche Auge diese Veränderungen nur qualitativ interpretieren, basierend auf Erfahrung und Intuition. Die Frage, die Forscher zu beantworten versucht haben, war, ob die spezifische Art und Weise, wie sich die Textur und Helligkeit eines Tumors von einer Phase zur nächsten verändert, ein quantifizierbares Geheimnis darüber birgt, ob diese unsichtbaren Krebszellen bereits die nahegelegenen Gefäße infiltriert haben.

Ein Team von Forschern des Huashan-Krankenhauses und der Shanghai Polytechnic University setzte sich zum Ziel, dieses Geheimnis zu finden, indem es einen Computer lehrte, die Geschichte zu lesen, die die sich verändernden MRT-Bilder erzählen. Sie konzentrierten sich auf 115 Patienten mit kleinen Lebertumoren, die nicht größer als 3 Zentimeter waren und sich einer Operation unterzogen hatten. Das Team wusste, dass die gefährlichsten Tumore oft eine chaotische, aggressive Textur besitzen, die sich verändert, während der Blutfluss während des Scans schwankt. Anstatt nur den Tumor selbst zu betrachten, untersuchten sie auch einen dünnen Ring aus gesund erscheinendem Gewebe direkt außerhalb des Tumorrandes und erweiterten ihre Sicht um 3, 5 und 10 Millimeter, um zu sehen, ob die Gefahr nach außen einsickert.

Die Forscher nahmen die detaillierten Messungen der Textur des Tumors aus den drei verschiedenen MRT-Phasen und speisten sie in ein Computersystem ein, das darauf ausgelegt ist, Muster zu erkennen. Sie testeten verschiedene Möglichkeiten, die Entwicklung des Erscheinungsbildes des Tumors von der ersten bis zur letzten Phase zu beschreiben. Sie probierten einfache Methoden, bei denen lediglich Zahlen aufgelistet wurden, aber sie versuchten auch anspruchsvollere Ansätze, die die Veränderungen wie eine Welle oder ein Signal behandelten und nach dem Rhythmus des Verhaltens des Tumors suchten. Sie kombinierten diese Bildmuster mit Standard-Bluttestergebnissen, wie etwa den Werten von Leberenzymen und spezifischen Proteinen, um zu sehen, ob die Kombination ein klareres Bild lieferte.

Die Ergebnisse zeigten, dass der erfolgreichste Ansatz darin bestand, die Veränderungen über die drei MRT-Phasen hinweg als dynamisches Signal zu behandeln und sie mit einer spezifischen mathematischen Methode zu analysieren, die komplexe Muster in ihre grundlegenden Bestandteile zerlegt. Als diese Methode auf den Tumor und einen 5-Millimeter-Ring des umliegenden Gewebes angewendet wurde, erreichte das Computermodell eine hohe Genauigkeit bei der Vorhersage, ob eine mikrovaskuläre Invasion vorlag. Das Modell identifizierte die Anwesenheit dieser unsichtbaren Eindringlinge in der überwiegenden Mehrheit der Fälle korrekt und übertraf dabei Modelle, die nur eine Phase des Scans betrachteten oder sich ausschließlich auf Bluttests stützten.

Durch die Analyse der Merkmale, die der Computer als am wichtigsten erachtet hatte, entdeckten die Forscher, dass der Schlüssel zur Vorhersage in der Wechselwirkung zwischen der internen Textur des Tumors und der Art und Weise lag, wie sich diese Textur über die Zeit veränderte. Insbesondere suchte das Modell nach Unstimmigkeiten darin, wie verschiedene Teile des Tumors auf das Kontrastmittel reagierten. Wenn die interne Struktur des Tumors und seine Umgebung sich auf eine Weise veränderten, die nicht mit den glatten, vorhersehbaren Mustern des gesunden Gewebes übereinstimmte, markierte das Modell dies als Hochrisiko. Dies deutet darauf hin, dass die sehr Art und Weise, wie ein Tumor während eines MRT-Scans „atmet“ und sich verschiebt, einen Fingerabdruck seiner Aggressivität enthält.

Diese Studie behauptet nicht, das Problem des Leberkrebses gelöst zu haben, noch legt sie nahe, dass diese Modelle bereit für den sofortigen Einsatz in jedem Krankenhaus sind. Die Forscher merkten an, dass ihre Arbeit auf einer relativ kleinen Gruppe von Patienten aus einem einzigen Krankenhaus basierte und dass der Prozess immer noch einen menschlichen Experten erfordert, der den Tumor auf dem Scan sorgfältig umrandet – eine Aufgabe, die etwa zehn Minuten pro Patient in Anspruch nimmt. Dennoch bieten die Ergebnisse eine vielversprechende neue Richtung. Sie zeigen, dass die subtilen, schwankenden Variationen in einem MRT-Scan nicht bloß Rauschen sind, sondern eine reiche Informationsquelle darstellen, die, wenn sie korrekt dekodiert wird, das verborgene Verhalten eines Tumors offenbaren kann, noch bevor ein Skalpell den Patienten berührt. Dieser Ansatz könnte schließlich Chirurgen helfen, präzisere Operationen zu planen, indem sie mehr Gewebe entfernen, wenn das Risiko hoch ist, und gesundes Lebergewebe schonen, wenn das Risiko niedrig ist – alles basierend auf einem nicht-invasiven Scan.