CT-Based Habitat Radiomics and Deep Learning for Predicting Early Response and Survival in Unresectable Hepatocellular Carcinoma Treated with Hepatic Arterial Infusion Chemotherapy plus Lenvatinib and Programmed Death Receptor-1 Inhibitors
Deze studie ontwikkelde en valideerde een niet-invasief, multidimensionaal fusiemodel dat CT-gebaseerde habitat-radiomics, 2.5D deep learning-kenmerken en klinische indicatoren integreert om accuraat de vroege behandelrespons en progressievrije overleving te voorspellen bij patiënten met onresectabel hepatocellulair carcinoom die HAIC-FOLFOX gecombineerd met lenvatinib en PD-1-remmers ontvangen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Leverkanker, specifiek het type dat bekend staat als hepatocellulair carcinoom, is een geducht tegenstander omdat het zelden bij elke patiënt op dezelfde manier reageert. Zelfs wanneer twee mensen tumoren van dezelfde grootte hebben en exact dezelfde krachtige behandeling krijgen, kan de één zien dat de kanker drastisch krimpt, terwijl de ander geen enkele verandering ziet. Deze onvoorspelbaarheid komt voort uit het feit dat een enkele tumor geen uniforme klomp weefsel is; het is een complex landschap van verschillende celtypen en omgevingen die dicht op elkaar gepakt zitten. Voor artsen is de uitdaging geweest om een manier te vinden om dit landschap in te kijken voordat de behandeling begint, om te raden welke patiënten zullen reageren op een specifieke combinatie van medicijnen en welke niet. Het doel is om weg te bewegen van gokken en toe te werken naar een precies, gepersonaliseerd plan, waarbij sommige patiënten worden gespaard voor ineffectieve therapieën terwijl anderen direct de hulp krijgen die ze nodig hebben.
Om dit op te lossen, hebben onderzoekers in China zich gericht op het creëren van een nieuw soort digitale kaart. Ze richtten zich op een specifieke groep patiënten met gevorderde leverkanker die niet operabel waren. Deze patiënten werden behandeld met een drievoudige combinatietherapie: een chemotherapie-infusie die rechtstreeks in de slagaders van de lever werd toegediend, een gerichte pil genaamd lenvatinib, en een immuuntherapie-medicijn dat het immuunsysteem van het lichaam helpt om de kanker te bestrijden. Hoewel deze combinatie veelbelovend is gebleken, wisten de onderzoekers dat niet iedereen er baat bij zou hebben. Ze wilden een hulpmiddel bouwen dat, vóór de eerste dosis wordt toegediend, kon voorspellen of de tumor van een patiënt aanzienlijk zou krimpen en hoe lang de patiënt vrij zou blijven van ziekteprogressie.
Het team verzamelde medische beelden van 240 patiënten uit twee verschillende ziekenhuizen. Deze beelden waren standaard CT-scans genomen met een contrastmiddel om de bloedvaten en de tumor duidelijk zichtbaar te maken. In plaats van de tumor als één enkel, solide object te beschouwen, gebruikten de onderzoekers een techniek genaamd habitat-imaging. Stel je de tumor voor als een grote, diverse stad in plaats van één enkel gebouw. Net zoals een stad verschillende wijken heeft—sommige bruisend met activiteit, andere rustig of in verval—heeft een tumor verschillende zones met unieke kenmerken. De onderzoekers gebruikten een computeralgoritme om de minuscule pixels van de CT-scan in deze verschillende wijken te sorteren op basis van hoe ze eruit zagen. Ze ontdekten dat het opdelen van de tumor in drie specifieke zones het duidelijkste beeld gaf van de interne diversiteit.
Zodra deze zones waren geïdentificeerd, extraheerde het team duizenden minuscule details uit de beelden, zoals textuur, vorm en patronen van helderheid. Dit staat bekend als radiomics. Dit deden ze voor de gehele tumor en voor elk van de drie wijken afzonderlijk. Tegelijkertijd gebruikten ze een vorm van kunstmatige intelligentie genaamd deep learning om de beelden te scannen. Deze technologie werkt anders; in plaats van te zoeken naar vooraf gedefinieerde patronen, leert het complexe vormen en structuren te herkennen door de beelden direct te bestuderen, net zoals een kind leert een gezicht te herkennen door veel voorbeelden te zien. De onderzoekers testten verschillende deep learning-architecturen om te zien welke het beste was in het opsporen van de subtiele tekenen van een tumor die op behandeling zou reageren.
De onderzoekers combineerden vervolgens al deze informatie—de details van de verschillende tumorwijken, de patronen geleerd door de kunstmatige intelligentie en basis klinische gegevens zoals leverfunctietests—in één enkel, krachtig voorspellingsmodel. Ze testten dit model op drie verschillende groepen patiënten: één groep die werd gebruikt om het model te bouwen, een tweede groep om het intern te controleren, en een derde groep uit een ander ziekenhuis om te zien of het in de echte wereld werkte. De resultaten waren opmerkelijk. Het gecombineerde model was in staat om met hoge nauwkeurigheid te voorspellen welke patiënten na slechts enkele weken behandeling een significante krimp van hun tumoren zouden ervaren. In de onafhankelijke groep patiënten uit het tweede ziekenhuis identificeerde het model responders ongeveer 87 procent van de tijd correct, een prestatie die aanzienlijk beter was dan het gebruik van enige enkele methode alleen.
Naast het voorspellen van wie zou reageren, bood het model ook een blik in de toekomst. De onderzoekers ontdekten dat de patiënten die het model als waarschijnlijk reagerend identificeerde, langer leefden zonder dat hun ziekte verergerde vergeleken met degenen die als niet-reagerend werden voorspeld. Sterker nog, het model kon patiënten verdelen in hoog-risico en laag-risico groepen met een duidelijk verschil in hun overlevingsresultaten. De patiënten die als laag-risico werden voorspeld, leefden een mediaan van 14 maanden zonder dat hun kanker vorderde, terwijl degenen in de hoog-risicogroep een mediaan van slechts 6,3 maanden leefden. Dit suggereert dat het model iets fundamenteels over de biologie van de tumor vastlegt dat eenvoudige metingen niet kunnen zien.
De studie onthulde ook waarom deze aanpak zo goed werkt. Door de tumor in zijn verschillende habitats op te delen, kon het model de specifieke zones zien die resistentie of gevoeligheid voor de medicijnen aansturen. De kunstmatige intelligentie voegde een extra laag toe door complexe visuele patronen op te merken die het menselijk oog of standaardmetingen zouden missen. Wanneer deze twee krachtige methoden samen met eenvoudige klinische gegevens werden samengevoegd, creëerden ze een hulpmiddel dat veel betrouwbaarder was dan de afzonderlijke onderdelen. De onderzoekers merkten op dat hoewel het model zeer veelbelovend is, het gebaseerd is op historische gegevens en moet worden getest in toekomstige, grotere studies om de waarde voor elke patiënt te bevestigen. De bevindingen bieden echter een tastbare stap voorwaarts: een niet-invasieve manier om in de complexe wereld van een levertumor te kijken en betere, meer geïnformeerde beslissingen te nemen over hoe deze te bestrijden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.