Mammography-Based Deep Learning Radiomics for Predicting HER2 Expression in Breast Cancer: A Dual-Center Study with Focus on HER2-Low Status
Deze dual-center studie toont aan dat een op mammografie gebaseerd deep learning radiomics-model dat gebruikmaakt van de Visformer-architectuur, zowel de HER2-positieve versus HER2-negatieve status als de HER2-low versus HER2-zero status bij borstkankerpatiënten op niet-invasieve en betrouwbare wijze kan voorspellen.
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 blijft de meest voorkomende maligniteit die vrouwen wereldwijd treft, een ziekte waarbij de specifieke biologische samenstelling van een tumor het pad voor de behandeling bepaalt. Onder de vele markers die artsen onderzoeken om een tumor te begrijpen, is er één genaamd HER2 die bijzonder cruciaal is. In ongeveer één op de vijf nieuw gediagnosticeerde gevallen dragen de kankercellen een overvloed aan dit eiwit, een conditie die bekend staat als HER2-positief. Deze tumoren hebben de neiging agressiever te groeien, maar ze reageren ook goed op specifieke gerichte therapieën die ontworpen zijn om dat eiwit aan te vallen. Decennialang was de standaardaanpak om deze tumoren te identificeren het nemen van een klein weefselmonster, een biopsie genoemd, en het onder een microscoop bekijken ervan. Echter, een nieuwere categorie is recentelijk opgekomen in het medisch begrip: HER2-laag. Deze tumoren hebben niet genoeg van het eiwit om als positief te worden bestempeld, maar bezitten net genoeg om potentieel te reageren op een nieuwe generatie krachtige medicijnen. Het onderscheiden tussen tumoren die helemaal geen HER2 hebben en die met een beetje HER2 is nu een vitale klinische vraag, maar de traditionele methode van testen vertrouwt op invasieve procedures die soms de plank mis kunnen slaan door de ongelijkmatige verdeling van cellen binnen een tumor.
Een team van onderzoekers zette zich in om te zien of een andere, niet-invasieve aanpak dit probleem kon oplossen. Ze wenden zich tot de mammografie, de standaard röntgenbeeldvorming die wordt gebruikt bij borstkankerscreening, die breed beschikbaar is en bekend is bij de meeste vrouwen. In plaats van uitsluitend te vertrouwen op de visuele inspectie van een radioloog van de afbeelding, paste het team een techniek toe genaamd deep learning radiomics. Dit proces houdt in dat de digitale mammografische beelden in een computersysteem worden gevoed dat in staat is om subtiele patronen en texturen te detecteren die te fijn zijn voor het menselijk oog. De onderzoekers wilden weten of deze verborgen digitale handtekeningen de HER2-status van een tumor konden voorspellen voordat er een operatie of biopsie plaatsvond. Ze richtten zich op twee specifieke uitdagingen: eerst, het onderscheiden van tumoren die HER2-positief zijn van die dat niet zijn, en ten tweede, het scheiden van de recentelijk belangrijke HER2-laag groep van de groep met nul HER2-expressie.
Om hun idee te testen, verzamelden de onderzoekers gegevens van 546 vrouwen met bevestigde borstkanker uit twee verschillende medische centra. Ze verdeelden de patiënten in groepen om hun computermodellen te trainen en vervolgens om ze te testen, om ervoor te zorgen dat de resultaten niet slechts een gelukkige gok waren op basis van een enkele dataset. Het computersysteem analyseerde de mammogrammen en extraheerde duizenden minuscule numerieke details over de vorm, textuur en dichtheid van de tumoren. Door de voorspellingen van verschillende verschillende wiskundige modellen te combineren, creëerde het team één robuust hulpmiddel, ontworpen om de uiteindelijke beslissing te nemen. De resultaten toonden aan dat deze digitale aanpak inderdaad het verschil kon "zien". Bij het proberen te onderscheiden van HER2-positieve tumoren van de rest, presteerde het model met een hoge mate van nauwkeurigheid in de initiële tests, en hoewel de prestaties licht daalden toen het werd getest op een volledig nieuwe groep patiënten uit een ander ziekenhuis, behield het nog steeds een betrouwbaar vermogen om de groepen te onderscheiden.
De bevindingen waren nog bemoedigender toen het team zich concentreerde op de moeilijke taak om HER2-laag tumoren te scheiden van de groep met geen HER2. In de initiële trainingsfase was het model zeer succesvol, en het hield het redelijk goed stand toen het werd toegepast op de externe groep patiënten. De studie keek ook naar de traditionele factoren die artsen gebruiken om risico's in te schatten, zoals de grootte van de tumor, de leeftijd van de patiënt en de dichtheid van het borstweefsel. Ze bevestigden dat bepaalde kenmerken, zoals een hoge graad van tumorcellen en een snelle snelheid van celdeling, sterk verbonden waren met de HER2-positieve status. Op dezelfde wijze vonden ze dat hormoonreceptorstatus en borstdichtheid een rol speelden bij het identificeren van HER2-laag tumoren. Echter, het vermogen van het computermodel om deze statussen direct uit de röntgenfoto's te voorspellen, bood een nieuwe laag van inzicht die niet alleen afhankelijk was van deze andere variabelen.
De onderzoekers erkenden dat hun werk grenzen heeft. Omdat de studie terugkeek op gegevens uit het verleden in plaats van nieuwe patiënten in de toekomst te volgen, is er een kans dat de selectie van gegevens enige bias heeft geïntroduceerd. Het handmatig omlijnen van de tumorgebieden op de röntgenfoto's door menselijke radiologen betekent ook dat het proces nog niet volledig geautomatiseerd is. Bovendien was het aantal patiënten, hoewel aanzienlijk, niet groot genoeg om te garanderen dat de resultaten voor elk mogelijk scenario waar zouden zijn. Ondanks deze beperkingen suggereert de studie dat mammografie, vaak simpelweg gezien als een hulpmiddel om kanker te vinden, ook als een krachtig venster in de moleculaire aard van de ziekte kan dienen. Door een niet-invasieve manier te bieden om de HER2-status in te schatten, zou deze aanpak artsen er ooit bij kunnen helpen om weloverwogen beslissingen te nemen over behandelplannen, wat potentieel de noodzaak voor herhaalde biopten vermindert en ervoor zorgt dat patiënten eerder de juiste gerichte therapieën ontvangen. Het werk beweert de huidige gouden standaard van weefselonderzoek niet te vervangen, maar wijst naar een toekomst waarin beeldvorming en kunstmatige intelligentie samenwerken om een duidelijker, vollediger beeld van de ziekte te geven voordat er ook maar een naald wordt gebruikt.
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.