Machine learning–based 18F-FDG PET/MR fusion radiomics for predicting EGFR mutation in lung cancer

Stel je voor dat je een detective bent die een mysterie probeert op te lossen binnen het lichaam van een patiënt. Normaal gesproken moeten artsen, om uit te zoeken wat voor soort "schurk" (een specifieke genetische mutatie) de longkanker veroorzaakt, een biopsie uitvoeren—een procedure waarbij ze met een naald in de tumor steken om een klein stukje weefsel te pakhen. Het is alsof je een crimineel probeert te identificeren door hem in een donker steegje te betrappen en een vingerafdruk te nemen; het werkt, maar het is invasief, eng voor de patiënt, en soms verbergt de crimineel zich zo goed dat de detective met lege handen staat.

Maak kennis met de wereld van medische beeldvorming, specifiek een hoogtechnologische combinatie genaamd PET/MR. Denk aan dit als een superkrachtige zaklamp die twee dingen tegelijk kan zien: de vorm van de tumor (zoals een beeldhouwer die naar een standbeeld kijkt) en hoeveel energie het verbruikt (zoals een thermische camera die warmte ziet). Wetenschappers vermoeden al lang dat de manier waarop een tumor eruitziet en energie verbruikt, geheime aanwijzingen over de genetische samenstelling kan bevatten, waardoor artsen mogelijk de naald kunnen overslaan en alleen naar de beelden kunnen kijken. De grote vraag is: kan een computer, getraind om kleine patronen in deze beelden te herkennen die het menselijk oog mist, ons precies vertellen welke genetische mutatie de kanker aanstuurt en hoe sterk die mutatie is? Dit is de puzzel die de onderzoekers probeerden op te lossen.

---

Het Digitale Detectiveverhaal

In dit onderzoek besloot een team van onderzoekers van de Sun Yat-Sen Universiteit dit idee op de proef te stellen. Ze verzamelden gegevens van 66 patiënten met longkanker die al deze geavanceerde PET/MR-scans hadden ondergaan. Hun doel was om een "digitale detective" te bouwen—een machine learning-model—dat naar de scan kon kijken en twee dingen kon voorspellen: eerst of de kanker een specifieke genetische verandering heeft die de EGFR-mutatie wordt genoemd (ja of nee), en ten tweede hoe "overvloedig" die mutatie aanwezig is binnen de tumor (een percentage).

Het "Ja of Nee"-mysterie: Een doodlopende weg voor fancy kenmerken
Toen het team probeerde de eenvoudige "ja of nee"-vraag te voorspellen (heeft de patiënt de mutatie?), waren de resultaten voor de hoogtechnologische aanpak een beetje teleurstellend. Ze ontdekten dat de computer niet de complexe, supergedetailleerde textuuranalyse van de PET/MR-beelden nodig had om dit op te lossen. In plaats daarvan zat het antwoord in het volle zicht met enkele basisclues: het geslacht van de patiënt, de grootte van de tumor en hoe "hobbelig" of onregelmatig de tumor eruitzag op de MRI.

Sterker nog, toen ze probeerden de fancy radiomics-kenmerken (de diepgaande textuurgegevens) aan het model toe te voegen, maakte dit de voorspelling niet beter. Het was alsof je een satellietkaart probeert te gebruiken om een huis te vinden terwijl een simpel straatnaambordje de klus al had geklaard. De studie sloot expliciet de mogelijkheid uit dat deze complexe PET/MR-kenmerken enige extra waarde boden voor het simpelweg bepalen of een mutatie aanwezig was of niet. Het beste model voor deze taak was een rechttoe rechtaan model gebaseerd op klinische feiten en basis MRI-signalen, dat een zeer hoge nauwkeurigheid bereikte (een AUC van 0,906), maar de fancy beeldanalyse voegde niets nieuws toe.

Het "Hoeveel"-mysterie: Een gouden hit
Echter, het verhaal verandert volledig wanneer de detectives probeerden de tweede vraag te beantwoorden: hoeveel van de mutatie is er? Dit wordt gemeten als een "Variant Allele Frequency" (VAF), wat in feite het percentage van de tumorcellen is dat de mutatie draagt.

Hier scheen het machine learning-model echt te glanzen. Door de PET-beelden te analyseren (het "energie"-gedeelte van de scan), vond de computer een zeer specifiek patroon dat fungeerde als een kristallen bol.

• In de groep patiënten als geheel kon het model ongeveer 68,7% van de verschillen in de abundantie van de mutatie verklaren.
• De belangrijkste aanwijzingen waren de "gestandaardiseerde metabole activiteit" (hoe hongerig de tumor naar suiker is) en een specifiek textuurkenmerk genaamd "PET wavelet LLH kurtosis" (een fancy manier om te beschrijven hoe spits of geconcentreerd de energie-hotspots zijn).

De "Exon 21"-jackpot
De meest opwindende ontdekking vond plaats toen ze naar een specifieke subgroep van patiënten keken: degenen met een mutatie in "Exon 21" (een specifieke locatie op het gen). Voor deze groep werkte het model niet alleen goed, het was bijna magisch.

• Een enkel kenmerk uit de PET-scan, genaamd "PET_wavelet-HHL_ngtdm_Busyness," verklaarde een enorme 85,8% van de variatie in de abundantie van de mutatie.
• Wat is "Busyness" (drukheid)? Stel je voor dat je vanuit een helikopter naar een drukke stadstraat kijkt. Als het verkeer vloeiend en uniform is, is het "rustig". Als het verkeer chaotisch is, met auto's die willekeurig uitwijken en stoppen in grillige patronen, is het "druk". In de tumor betekent een hoge "Busyness"-score dat de kankercellen energie op een zeer chaotische, onregelmatige manier verbranden. De studie vond dat hoe chaotischer de energieverbranding, hoe hoger het percentage mutatie-dragende cellen.

Wat dit betekent (en wat het niet betekent)
De onderzoekers benadrukken voorzichtig dat hoewel deze resultaten veelbelovend zijn, ze zich nog in de "exploratieve" fase bevinden. De studie was klein (slechts 66 patiënten, en nog minder voor de specifieke subgroepen) en werd uitgevoerd in slechts één ziekenhuis. Ze hebben nog niet bewezen dat dit voor iedereen werkt; ze hebben alleen aangetoond dat het een sterke mogelijkheid suggereert.

Het artikel concludeert dat hoewel fancy beeldanalyse misschien niet helpt om te beslissen of een mutatie bestaat (omdat basis klinische aanwijzingen daar al goed in zijn), het ongelooflijk nuttig kan zijn om te bepalen hoeveel van de mutatie er is, vooral voor het Exon 21-type. Dit zou artsen er op een dag bij kunnen helpen om precies te bepalen hoeveel medicatie een patiënt nodig heeft, waardoor de stap wordt gezet van een "one-size-fits-all" aanpak naar een hoogst gepersonaliseerd plan. Maar voor nu zegt het team dat we dit op veel meer patiënten in verschillende ziekenhuizen moeten testen voordat we het in de echte wereld kunnen vertrouwen.