Preoperative Prediction of Vascular Invasion in Breast Cancer Based on Habitat-Based Radiomics Integrating Intratumoral and Multidimensional Peritumoral Features: A Multicenter DCE-MRI Study
Deze multicenter studie toont aan dat een multimodale fusiemodel, die DCE-MRI-gebaseerde habitat-radiomics van intratumorale en multidimensionale peritumorale regio's combineert met klinische factoren, effectief de preoperatieve lymfvatinvasie bij borstkanker voorspelt, waarmee een gevalideerde niet-invasieve tool voor gepersonaliseerde risicostratificatie wordt geboden.
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
Borstkanker is geen enkele, uniforme ziekte; het is een verzameling tumoren die zich op totaal verschillende manieren gedragen. Sommige groeien langzaam en blijven op hun plek, terwijl andere agressief zijn en kleine clusters cellen naar de transportsystemen van het lichaam sturen om elders nieuwe kolonies te beginnen. Een van de meest cruciale tekenen van dit gevaarlijke gedrag is lymfatische vaatinvasie. Dit vindt plaats wanneer kankercellen loskomen van de hoofdtumor en in de kleine vaten glippen die vloeistof door het lichaam vervoeren, wat fungeert als een snelweg voor de verspreiding van de ziekte. Weten of deze cellen de vaten zijn binnengekomen vóór de operatie is essentieel voor artsen. Het helpt hen beslissen hoeveel weefsel er verwijderd moet worden en of een patiënt daarna sterkere behandelingen nodig heeft. Decennialang was de enige manier om zeker te weten of een dergelijke invasie heeft plaatsgevonden, wachten tot na de verwijdering van de tumor en de onder microscoop bekeken werd. Dit uitstel laat patiënten en artsen gissen tijdens de meest kritieke planningsfase.
Onderzoekers hopen al lang dat geavanceerde beeldvorming een duidelijk beeld kan geven van dit verborgen gevaar voordat het mes de patiënt ooit raakt. Magnetic resonance imaging, of MRI, is al een krachtig hulpmiddel voor het bekijken van borstweefsel, waarbij details zichtbaar worden die andere scans missen. De standaardmanieren om naar deze beelden te kijken, behandelen een tumor echter vaak als één enkel, solide object. Deze benadering negeert het complexe interne landschap van de kanker, waar verschillende gebieden kunnen variëren in bloeddoorstroming, celdichtheid en chemische omgeving. Om dit op te lossen, zetten een team van wetenschappers zich in om een nieuw soort kaart te bouwen. Ze wilden zien of ze de subtiele texturen en patronen binnen een MRI-scan konden gebruiken om te voorspellen of kankercellen al hun reis in het lymfestelsel waren begonnen, door de visuele gegevens te combineren met eenvoudige feiten over de gezondheid van de patiënt om een betrouwbare gids voor de behandeling te creëren.
De studie, uitgevoerd bij twee grote ziekenhuizen in China, bracht gegevens samen van 742 vrouwen met borstkanker. De onderzoekers concentreerden zich op een specifiek type MRI-scan genaamd dynamische contrastversterkte MRI, die bijhoudt hoe een kleurstof zich in de loop van de tijd door het weefsel beweegt, waardoor de snelheid en het patroon van de bloeddoorstroming zichtbaar worden. Ze begonnen met het zorgvuldig omlijnen van elke tumor op de scan. Vervolgens deden ze iets dat gedetailleerder was dan gebruikelijk: ze keken niet alleen naar de tumor zelf, maar ook naar het weefsel direct rondom de tumor. Ze breidden hun blik in stappen uit, waarbij ze het weefsel controleerden op één millimeter, drie millimeter, vijf millimeter, zeven millimeter en uiteindelijk tien millimeter afstand van de tumorgrens. Dit werd gedaan om te zien of de "buurt" rondom de kanker aanwijzingen bevatte over de agressiviteit ervan.
Om de binnenkant van de tumor te begrijpen, gebruikten de onderzoekers een methode geïnspireerd door de ecologie, waarbij ze de tumor behandelden als een landschap met verschillende habitats. In plaats van één grote vlek te zien, gebruikten ze computeralgoritmen om de tumor te verdelen in kleinere, onderscheidende zones op basis van hoe de cellen zich gedroegen. Sommige zones kunnen dichtbevolkt zijn met cellen, terwijl andere rijk zijn aan bloedvaten. Door deze specifieke "habitats" te analyseren, hoopten ze de unieke handtekeningen van de meest gevaarlijke delen van de tumor te vinden. Ze voedden al deze visuele informatie — zowel de interne habitats als de omliggende weefsellagen — aan een reeks computerleerprogramma's. Deze programma's waren ontworpen om patronen te vinden die het menselijk oog zou missen, waarbij ze negen verschillende soorten wiskundige modellen testten om te zien welke het beste de aanwezigheid van lymfatische invasie kon voorspellen.
De resultaten toonden aan dat kijken naar de tumor in isolatie niet voldoende was. De modellen die alleen naar de tumor zelf of naar zeer smalle ringen van het omliggende weefsel keken, hadden moeite met nauwkeurigheid. Echter, toen de onderzoekers de gegevens van de zevenmillimeterzone rond de tumor combineerden met de interne habitatkaarten, werd het beeld veel duidelijker. Ze voegden vervolgens twee eenvoudige stukken informatie toe die artsen al kennen: of de patiënt door de menopauze is gegaan en of de nabijgelegen sentinel lymfeklieren (de eerste klieren die kanker opvangen) tekenen van problemen vertoonden. Deze combinatie creëerde een krachtig nieuw instrument. Wanneer getest op een volledig aparte groep patiënten uit een ander ziekenhuis, identificeerde dit gecombineerde model het risico op lymfatische invasie correct in ongeveer 71 procent van de gevallen waar het aanwezig was, terwijl het het ook correct uitsloot in ongeveer 75 procent van de gevallen waar het afwezig was.
De studie toonde aan dat de meest effectieve aanpak niet het vertrouwen op slechts één type gegevens was. Een model dat alleen gebruikmaakte van de klinische geschiedenis van de patiënt was redelijk, maar het toevoegen van de gedetailleerde beeldgegevens verbeterde het vermogen om de gevaarlijke gevallen te detecteren aanzienlijk. De onderzoekers merkten op dat de zevenmillimeterring rond de tumor de meest nuttige informatie leek te bevatten, waarschijnlijk omdat deze de actieve rand omvat waar de tumor interactie heeft met het lichaam, zonder verloren te gaan in de ruis van weefsel dat te ver weg is. Hoewel de computermodellen niet perfect waren, boden ze een niveau van inzicht dat voorheen niet beschikbaar was vóór de operatie. De studie suggereert dat door de tumor te beschouwen als een complexe, veranderende omgeving in plaats van een statisch object, artsen een veel beter gevoel kunnen krijgen bij de dreiging die het vormt.
Dit werk beweert niet het probleem volledig te hebben opgelost. De onderzoekers merkten er nadrukkelijk bij op dat hun model een hulpmiddel is om artsen te ondersteunen, en geen vervanging voor het uiteindelijke pathologische onderzoek. De studie was retrospectief, wat betekent dat er werd teruggekeken naar gegevens die al waren verzameld, en het aantal patiënten in de uiteindelijke testgroep was relatief klein. Er zijn ook verschillen in de MRI-apparaten die in de twee ziekenhuizen werden gebruikt, wat invloed kan hebben op hoe de beelden eruitzien. Ondanks deze beperkingen zijn de bevindingen significant omdat ze aantonen dat een niet-invasieve scan het verborgen gedrag van een tumor kan onthullen. Door de visuele complexiteit van de micro-omgeving van de tumor te integreren met eenvoudige klinische feiten, biedt deze aanpak een veelbelovende manier om het risico te stratificeren voordat een patiënt ooit de operatiekamer binnenstapt, wat potentieel kan leiden tot meer precieze en gepersonaliseerde behandelplannen voor borstkanker.
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.