Multiparametric MRI Radiomics and Machine Learning Framework for Predicting Treatment Response in Glioblastoma

Stel je voor dat je een detective bent die een mysterie probeert op te lossen in de hersenen van een patiënt. De verdachte is een felle, agressieve hersentumor genaamd Glioblastoom. Nadat de artsen een operatie hebben uitgevoerd en het gebied hebben gebombardeerd met straling en chemotherapie, maken ze een nieuwe MRI-scan om te zien of de klus geklaard is. Maar hier komt de lastige truc: soms laat de scan een heldere, angstaanjagende plek zien die er precies uitziet alsof de tumor terug groeit. Andere keren is diezelfde heldere plek eigenlijk gewoon een "blauwe plek" of ontsteking veroorzaakt door de behandeling zelf, die vanzelf weer zal wegtrekken. In de medische wereld wordt het eerste scenario "True Progression" genoemd (het slechte nieuws) en het tweede scenario "Pseudo-Progression" (het goede nieuws).

Het probleem is dat standaard MRI-beelden bijna identiek zijn voor beide situaties. Het is alsof je probeert het verschil te zien tussen een echte draak en een zeer overtuigend drakenkostuum door alleen naar een wazige foto te kijken. Als de artsen het fout hebben, geven ze de patiënt misschien zwaardere medicijnen terwijl dat niet nodig is, of wachten ze te lang terwijl de tumor de patiënt daadwerkelijk aanvalt. Om dit op te lossen, gebruiken wetenschappers een speciaal type MRI genaamd "Dynamic Contrast-Enhanced" (DCE) beeldvorming. Zie dit als het injecteren van een lichtgevende kleurstof in de bloedbaan en het observeren hoe deze door het hersenweefsel stroomt over een bepaalde tijd. Door te analyseren hoe snel de kleurstof uit de bloedvaten lekt en in het weefsel terechtkomt, kunnen ze aanwijzingen krijgen over of het weefsel een chaotische, groeiende tumor is of slechts een genezende wond. Dit artikel onderzoekt hoe je computerwiskunde en kunstmatige intelligentie kunt gebruiken om deze kleurstofstroom-aanwijzingen veel beter te kunnen lezen dan voorheen.

Het Verhaal van het Slimme Model

In dit onderzoek heeft een onderzoeker genaamd Suchibrata Patra van het Indian Statistical Institute een mysterie geprobeerd op te lossen: het onderscheiden van True Progression van Pseudo-Progression bij 82 volwassen patiënten met een specifiek type hersentumor (IDH-wildtype Glioblastoom). Het team wilde zien of ze een superintelligent computerprogramma konden bouwen dat de MRI-kleurstofstroomkaarten kon bekijken en het antwoord correct kon raden, zelfs beter dan de huidige methoden.

De Oude Manier versus De Nieuwe Manier
Voorheen probeerden wetenschappers deze MRI-kaarten te analyseren met één enkele, rigide wiskundige regelset (de "extended Tofts model") voor de gehele tumor. Stel je voor dat je het weer in een enorm land probeert te beschrijven met slechts één enkele thermometeraflezing voor de hele kaart. Dat werkt niet goed, omdat het weer in de bergen anders is dan het weer aan het strand. Hersentumoren zijn hetzelfde; ze zijn rommelig en vol met verschillende kleine omgevingen. De oude methode dwong dezelfde regelset op elke kleine pixel van de tumor af, wat vaak leidde tot verwarrende of foutieve resultaten.

In dit artikel probeerde de auteur een veel flexibelere aanpak. In plaats van één regelset voor de hele tumor te gebruiken, keek de computer naar elke individuele, piepkleine pixel (voxel) van de MRI-scan. Voor elke pixel testte hij vijf verschillende wiskundige regelsets om te zien welke het beste bij de kleurstofstroomdata paste. Vervolgens koos hij de winnaar voor die specifieke pixel, waardoor een "parsimonieuze" (of eenvoudige en efficiënte) kaart ontstond die zich aanpaste aan de lokale omstandigheden. Het is alsof je een team van meteorologen hebt, waarbij elk lid alleen naar zijn eigen achtertuin kijkt en daar het weer rapporteert, in plaats van één persoon die het weer voor het hele continent probeert te raden.

De Ingrediënten
Om hun computer te trainen, verzamelden de onderzoekers drie belangrijke soorten aanwijzingen:

1. De Kleurstofstroomkaarten: Ze extraheerden honderden kleine details (genaamd "radiomic features") uit de nieuwe, flexibele kaarten. Deze details gingen niet alleen over hoe helder het beeld was; ze keken naar de vorm, textuur en patronen van de kleurstofstroom, zoals het tellen van hoeveel bultjes of gladde plekken er in het plaatje zaten.
2. De Moleculaire Aanwijzing: Ze voegden de "MGMT-status" van de patiënt toe. Dit is een genetische test die al routinematig wordt gedaan voor deze patiënten. Het vertelt artsen of de tumor een specifieke chemische tag heeft die ervoor zorgt dat hij anders reageert op de behandeling. Denk hierbij aan het controleren van het ID-bewijs van een verdachte om te zien of hij een geschiedenis heeft van reacties op bepaalde chemicaliën.
3. De Training: Ze gebruikten een machine learning-methode genaamd "Random Forest", wat lijkt op het vragen aan een menigte van 100 verschillende experts om te stemmen over het antwoord. De computer leerde van 52 patiënten met bevestigde weefselmonsters (de "gouden standaard" bewijslast) en 30 patiënten waarbij de diagnose gebaseerd was op vervolgg scans.

De Grote Bevindingen
De resultaten waren heel duidelijk. De oude methode, die de enkele rigide regelset gebruikte, was slechts in staat om tussen de twee condities te onderscheiden met een nauwkeurigheidsscore (genaamd AUC) van 0,68. Dat is nauwelijks beter dan het opgooien van een muntje. Echter, toen ze overschakelden naar de nieuwe, flexibele "pixel-voor-pixel" aanpak, sprong de nauwkeurigheid naar 0,84. Dat is een enorme verbetering, enkel door de manier waarop de wiskunde werd toegepast te veranderen.

Toen ze de genetische MGMT-aanwijzing toevoegden aan de flexibele wiskunde, werd de computer nog scherper. Het beste model bereikte een nauwkeurigheidsscore van 0,89. Het identificeerde 93% van de patiënten die daadwerkelijk een groeiende tumor hadden (sensitiviteit) en identificeerde 76% van de patiënten die alleen een ontsteking door de behandeling hadden (specificiteit).

Wat de Computer Leerde
De onderzoekers keken onder de motorkap van hun winnende computermodel om te zien welke aanwijzingen het belangrijkst waren. Ze ontdekten dat de belangrijkste aanwijzingen niet alleen gingen over hoeveel kleurstof er uitlekte, maar over hoe de kleurstof lekte. Specifiek de vorm en textuur van de "lekkaart" (de Ktrans-kaart) waren de grootste winnaars.

• True Progression zag eruit als een chaotische, rommelige stad met grillige, onregelmatige straten en bobbelige texturen.
• Pseudo-Progression zag er meer uit als een glad, uniform veld.
  De genetische MGMT-status hielp een beetje, als een handige zijspan, maar de vorm van de kleurstofstroomkaart was de hoofdheld.

Wat dit Betekent
Het artikel suggereert dat door de computer de beste wiskunde te laten kiezen voor elk klein plekje in de tumor, in plaats van één wiskundige regel op het geheel af te dwingen, artsen een veel duidelijker beeld kunnen krijgen van wat er aan de hand is. Deze aanpak, gecombineerd met een standaard genetische test, kan artsen helpen beslissen of ze een patiënt een agressievere behandeling moeten geven of gewoon afwachten en observeren, zonder dat daarvoor een risicovolle operatie voor een weefselmonster nodig is.

De auteur merkt op dat hoewel deze resultaten zeer veelbelovend zijn, ze gebaseerd zijn op één specifieke groep patiënten en getest moeten worden op meer mensen met verschillende MRI-machines om te garanderen dat de methode overal werkt. Maar voor nu biedt het een hoopvolle nieuwe manier om het "draak versus kostuum"-mysterie in de zorg voor hersentumoren op te lossen.