Development and external evaluation of MRI and clinical models for pathological complete response in breast cancer
Diese Studie ergab, dass das Hinzufügen fester Zusammenfassungen der MRT-Signale vor der Behandlung zu klinischen Modellen die externe Vorhersage der pathologischen Komplettremission bei Brustkrebs nicht signifikant verbesserte, was darauf hindeutet, dass eine weitere Bewertung der Kalibrierung, der Unsicherheit und des klinischen Nutzens erforderlich ist, bevor derartige MRT-Daten für die Kommunikation des Ansprechsensitivität auf die Behandlung verwendet werden können.
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
Bevor eine Frau eine Operation wegen Brustkrebs unterzieht, verabreichen Ärzte ihr oft starke Medikamente, um den Tumor vorab zu verkleinern. Dieser Ansatz, bekannt als neoadjuvante Therapie, kann den Krebs manchmal vollständig eliminieren – ein Ergebnis, das Ärzte eine „pathologische Komplettremission“ nennen. Wenn dies geschieht, verschwindet der Tumor so vollständig, dass ein Pathologe unter dem Mikroskop keine verbleibenden Krebszellen mehr finden kann. Das Erreichen dieses Ergebnisses ist ein großer Sieg, da es mit einem besseren langfristigen Überleben verbunden ist, insbesondere bei aggressiven Formen der Erkrankung. Die Vorhersage, wer vor Beginn der Behandlung diese vollständige Verschwinden erreichen wird, ist jedoch schwierig. Derzeit verlassen sich Ärzte auf grundlegende Informationen wie das Alter der Patientin und die spezifischen biologischen Marker des Tumors, um diese Schätzungen vorzunehmen. Es wurde lange die Frage gestellt, ob die Hinzunahme einer detaillierten Betrachtung des Tumors mittels Magnetresonanztomographie (MRT) die Genauigkeit dieser Vorhersagen signifikant verbessern könnte, was wiederum persönlichere Gespräche zwischen Ärzten und Patientinnen über die zu erwartenden Ergebnisse ermöglichen würde.
Ein Forscher am King's College London setzte sich zum Ziel, diese Frage zu beantworten, indem er Computermodelle entwickelte und testete, die darauf ausgelegt sind, dieses Ergebnis vorherzusagen. Die Studie beinhaltete keine neuen Patientinnen oder neuen Scans; stattdessen wurden bestehende, anonymisierte Daten aus zwei großen, bekannten Brustkrebsstudien verwendet. Der Forscher baute die Vorhersagewerkzeuge zunächst unter Verwendung von Daten von fast tausend Patientinnen aus der I-SPY2-Studie auf. Diesen Modellen wurden zwei Arten von Informationen zugeführt. Die erste war ein standardmäßiges klinisches Profil: das Alter der Patientin und der Status von drei Schlüsselrezeptoren auf den Krebszellen, die bestimmen, wie der Tumor verläuft und auf eine Behandlung anspricht. Die zweite Art von Information stammte aus den vor Behandlungsbeginn durchgeführten MRT-Scans. Konkret betrachtete das Modell zwölf spezifische Messwerte, die aus den Helligkeits- und Kontrastmustern des Tumors in der Aufnahme abgeleitet wurden, wodurch das Erscheinungsbild des Tumors zusammengefasst wurde, ohne dessen exakte Größe oder Form zu messen.
Das Ziel war es zu sehen, ob die Hinzunahme dieser zwölf MRT-Messwerte zu den grundlegenden Informationen über Alter und Rezeptoren die Fähigkeit des Modells verbesserte, das Ergebnis zu erraten. Um dies fair zu testen, nahm der Forscher die entwickelten Modelle und „fror“ sie ein, was bedeutete, dass sie festgeschrieben wurden und nicht mehr verändert werden konnten. Diese eingefrorenen Modelle wurden dann auf eine völlig separate Gruppe von 166 Patientinnen aus der älteren I-SPY1-Studie angewendet, einer Gruppe, die die Modelle zuvor noch nie gesehen hatten. Dieser Schritt ist entscheidend, da er testet, ob das Modell in einem anderen Umfeld funktioniert oder ob es lediglich die Muster der ersten Gruppe auswendig gelernt hat. Der Forscher verglich dabei, wie gut das Modell, das nur Alter und Rezeptoren verwendete, im Vergleich zu dem Modell abschnitt, das auch die MRT-Daten enthielt.
Die Ergebnisse zeigten, dass die Hinzunahme der MRT-Daten die Vorhersage nicht verbesserte. Tatsächlich schnitt das Modell, das nur die grundlegenden klinischen Informationen verwendete, etwas besser ab als dasjenige, das die MRT-Scans einschloss, als es an der neuen Gruppe getestet wurde. Das Modell mit den MRT-Daten lieferte keine genauere Schätzung der Chance auf eine Komplettremission. Darüber hinaus untersuchte die Studie, wie stabil diese Vorhersagen waren. Wenn der Forscher das Modell erneut unter Verwendung eines leicht anderen Patientensatzes aus demselben Pool aufgebaut hätte, würden sich die Vorhersagen für eine einzelne Patientin drastisch ändern? Die Analyse ergab, dass die Vorhersagen des Modells inklusive MRT-Daten wesentlich weniger stabil waren. Die geschätzte Wahrscheinlichkeit einer Heilung für eine bestimmte Patientin konnte um fast neun Prozentpunkte schwanken, nur durch die Änderung der Gruppe von Menschen, die für den Aufbau des Modells verwendet wurde, während das einfachere Modell viel konsistenter war.
Die Studie untersuchte auch, wie gut die Modelle ihre Vorhersagen kalibrierten. Ein gutes Modell sollte nicht nur die Patientinnen korrekt einordnen, sondern auch Wahrscheinlichkeiten vorhersagen, die der Realität entsprechen. Wenn beispielsweise ein Modell vorhersagt, dass 30 Prozent der Patientinnen eine Komplettremission erfahren werden, dann sollten tatsächlich etwa 30 Prozent von ihnen dieses Ziel erreichen. In dieser Studie neigten alle Modelle dazu, die Erfolgschancen zu überschätzen, indem sie eine höhere Wahrscheinlichkeit für eine Heilung vorhersagten, als tatsächlich bei den Patientinnen beobachtet wurde. Das Modell, das die MRT-Daten enthielt, war besonders anfällig für diese Überschätzung. Die Forscher kamen zu dem Schluss, dass die MRT-Scans zwar eine enorme Menge an Informationen enthalten, die spezifische Art und Weise, wie diese zwölf Messwerte zusammengefasst und zu den klinischen Basisdaten hinzugefügt wurden, jedoch nicht half. Die Studie schloss explizit die Idee aus, dass diese kompakte MRT-Zusammenfassung eine zuverlässige Verbesserung zur Vorhersage des Behandlungsansprechens in diesem Kontext bietet.
Letztendlich legt die Forschung nahe, dass das Hinzufügen dieser festen MRT-Zusammenfassungen zum Alter und zum Rezeptorstatus für den Zweck, einer Patientin ihre spezifischen Chancen auf eine vollständige Heilung vor Beginn der Behandlung mitzuteilen, keinen klaren Nutzen bietet. Die Studie fand keine Belege dafür, dass die MRT-Daten die Genauigkeit der Vorhersagen verbesserten oder die Modelle zuverlässiger machten. Die Forscher betonten, dass solche Werkzeuge, bevor sie zur Orientierung bei schwierigen medizinischen Entscheidungen oder Gesprächen eingesetzt werden können, eine bessere Genauigkeit in externen Tests nachweisen und zeigen müssten, dass ihre Vorhersagen stabil bleiben. Bis dahin rechtfertigt die zusätzliche Komplexität der MRT-Daten deren Verwendung gegenüber den einfacheren, konsistenteren klinischen Informationen für diese spezifische Vorhersageaufgabe nicht.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.