MRI Radiomics for Survival Stratification in Glioblastoma: Benchmarking Against Clinical Variables in a Retrospective Observational Study of the UPENN-GBM Cohort

Het menselijk brein is een complex landschap, en wanneer een tumor genaamd glioblastoom daar wortel schiet, is de weg vooruit vaak onzeker. Dit is het meest agressieve type primaire hersentumor bij volwassenen, en ondanks vooruitgang in chirurgie, bestraling en medicatie, blijft de prognose somber, waarbij de overleving doorgaans wordt gemeten in slechts iets meer dan een jaar. Artsen vertrouwen momenteel op een standaard reeks aanwijzingen om te raden hoe lang een patiënt mogelijk zal leven. Ze kijken naar de leeftijd van de patiënt, hun algemene fysieke kracht en de resultaten van genetische tests die specifieke chemische markers binnen de tumorcellen onthullen. Hoewel deze factoren een basis bieden, vertellen ze niet het hele verhaal. De tumor zelf is een chaotische mix van verschillende celtypen en gedragingen, een biologische heterogeniteit die standaardtests vaak missen. Om te zien wat er werkelijk in de tumor gebeurt, wenden wetenschappers zich tot een veld dat radiomics wordt genoemd. Deze benadering behandelt medische beelden, zoals magnetic resonance imaging-scans (MRI), niet alleen als plaatjes waar een arts naar kijkt, maar als enorme bibliotheken aan data. Door computers te gebruiken om minuscule details in het beeld te meten — zoals de textuur, de vorm en de subtiele variaties in helderheid — probeert radiomics de onzichtbare biologie van de tumor te kwantificeren, in de hoop patronen te vinden die het menselijk oog niet kan detecteren.

In een recente studie onderzochten onderzoekers of deze door computers gemeten beelddetails de overleving even goed of zelfs beter konden voorspellen dan de traditionele klinische aanwijzingen. Ze werkten met een publieke collectie gegevens van 230 patiënten die de diagnose glioblastoom hadden gekregen. Deze dataset, bekend als de UPENN-GBM-cohort, bevatte de medische dossiers van de patiënten, hun genetische testresultaten en hun preoperatieve MRI-scans. Het team bouwde eerst een voorspellingsmodel met behulp van de standaard klinische informatie: de leeftijd van de patiënt, geslacht, fysieke prestatiestatus en de resultaten van twee specifieke genetische tests. Dit model diende als benchmark, representatief voor de huidige beste praktijk voor het schatten van de overleving. Vervolgens richtten de onderzoekers hun aandacht op de MRI-scans. Ze gebruikten software om 144 verschillende kwantitatieve kenmerken uit de beelden te extraheren, waarbij alles werd gemeten van de algehele vorm van de tumor tot de complexe textuur van de binnenkant. Na het opschonen van de data en het verwijderen van redundante informatie, brachten ze deze lijst terug naar 61 onderscheidende kenmerken die het meest nuttige signaal bevatten.

Met behulp van deze 61 beeldgebaseerde metingen trainde het team een machine learning-algoritme dat bekend staat als een Random Survival Forest. In tegenstelling tot het traditionele model dat variabelen één voor één bekijkt, is dit algoritme ontworpt om complexe, niet-lineaire relaties tussen veel verschillende factoren tegelijkertijd te vinden. Het doel was om te zien of de computer kon leren om onderscheid te maken tussen patiënten die langer zouden overleven en zij die dat niet zouden doen, uitsluitend op basis van de visuele textuur van hun tumoren. De resultaten toonden aan dat het traditionele klinische model matig goed presteerde, waarbij het de uitkomsten van patiënten ongeveer 63,5 procent van de tijd correct rangschikte. Het nieuwe radiomics-model, dat volledig gebouwd is op basis van de MRI-data, presteerde iets beter met een rangschikkingsnauwkeurigheid van ongeveer 65,3 procent. Hoewel het verschil in cijfers klein was, was de scheiding die het creëerde significant. Wanneer de onderzoekers het radiomics-model gebruikten om de patiënten in twee groepen te verdelen — een hoogrisicogroep en een laagrisicogroep — was het verschil in hun werkelijke overlevingstijden opvallend. De patiënten in de laagrisicogroep leefden aanzienlijk langer dan die in de hoogrisicogroep, een scheiding die statistisch duidelijk was en onwaarschijnlijk door toeval zou zijn ontstaan.

De studie suggereert dat de textuur en structuur van een tumor, zoals te zien op een MRI-scan, waardevolle informatie bevatten over de toekomst van een patiënt die niet alleen door leeftijd of genetische tests wordt gevangen. De onderzoekers vonden dat een oudere leeftijd inderdaad gekoppeld was aan een kortere overleving, en dat bepaalde genetische markers, zoals de aanwezigheid van een specifieke mutatie, wezen op een betere uitkomst, precies zoals artsen al lang weten. Echter, het beeldgebaseerde model voegde een laag van detail toe die deze standaardfactoren misten. Het machine learning-model was in staat om subtiele patronen in het uiterlijk van de tumor te identificeren die correleerden met hoe agressief de ziekte zich zou gedragen. Dit betekent niet dat de oude methoden fout zijn, maar eerder dat de nieuwe methode een complementair beeld biedt. Het is als het hebben van een tweede paar ogen dat de microscopische ruwheid van een oppervlak kan zien, waardoor een ander soort bewijs wordt geleverd om de diagnose te ondersteunen.

Ondanks deze veelbelovende bevindingen zijn de onderzoekers voorzichtig met de opmerking dat dit werk nog niet klaar is voor gebruik aan het ziekbed in het ziekenhuis. De studie was een retrospectieve analyse, wat betekent dat er werd teruggekeken naar gegevens die al waren verzameld, in plaats van het model in realtime op nieuwe patiënten te testen. De gebruikte dataset was publiek en volledig geanonimiseerd, wat uitstekend is voor transparantie en andere wetenschappers in staat stelt het werk te verifiëren, maar het betekent ook dat de steekproef beperkt was tot 230 mensen. De auteurs wijzen erop dat deze technologie pas een standaardinstrument kan worden als deze wordt getest op veel grotere groepen patiënten uit verschillende ziekenhuizen en met verschillende MRI-apparaten, om te garanderen dat de resultaten overal standhouden. Ze erkennen ook dat de manier waarop de beelden zijn gemaakt kon variëren, wat de metingen zou kunnen beïnvloeden. Voor nu dient de studie als een proof of concept. Het demonstreert dat het mogelijk is om open, publieke data te gebruiken om een model te bouwen dat patiënten op een betekenisvolle manier in verschillende risicogroepen verdeelt met enkel de visuele data van hun scans. Dit werk legt een fundament voor toekomstig onderzoek, waarbij gesuggereerd wordt dat als deze beeldgebaseerde instrumenten kunnen worden verfijnd en gevalideerd, ze artsen uiteindelijk kunnen helpen om preciezer advies aan patiënten te geven, de juiste mensen in klinische studies te plaatsen en follow-up zorg met grotere zekerheid te plannen.