Noninvasive Prediction of HER2 Expression in Bladder Cancer Using a Machine Learning Model Based on Ultrasound Radiomics: Facilitating Precision Screening for ADC Targeted Therapy
Deze studie heeft een interpreteerbaar machine learning-model ontwikkeld en gevalideerd op basis van echografische radiomics dat de HER2-expressiestatus bij blaas kankerpatiënten preoperatief nauwkeurig voorspelt, waardoor gepersonaliseerde screening voor met antilichaam-drug conjugaten gerichte therapieën wordt gefaciliteerd.
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
Blaaskanker is een veelvoorkomende en vaak agressieve ziekte die het urinestelsel aantast. Hoewel artsen vroege stadia soms kunnen beheersen, keert de kanker vaak terug of groeit deze dieper in de blaaswand, wat leidt tot een veel grimmiger vooruitzicht voor patiënten. Een belangrijke factor in hoe deze ziekte zich gedraagt, is een specifiek eiwit op het oppervlak van de kankercellen genaamd HER2. Wanneer dit eiwit in grote hoeveelheden aanwezig is, werkt het als een brandstofbron die de tumor helpt groeien en uit te zaaien. In de afgelopen jaren hebben artsen krachtige nieuwe medicijnen ontwikkeld die ontworpen zijn om cellen die dit eiwit dragen op te zoeken en aan te vallen. Deze behandelingen werken echter alleen als de tumor van de patiënt dit eiwit daadwerkelijk bezit. Momenteel is de enige manier om zeker te weten of een patiënt dit eiwit heeft, door een biopsie uit te voeren, waarbij een chirurg een klein stukje weefsel uit de blaas verwijdert om onder een microscoop te onderzoeken. Dit proces is invasief, kan oncomfortabel zijn voor de patiënt, en omdat het slechts een minuscuul deel van de tumor bemonster, kan het het eiwit missen als het niet gelijkmatig over de massa verdeeld is.
Onderzoekers van het Tweede Ziekenhuis van de Lanzhou Universiteit zetten zich in om een betere manier te vinden om dit eiwit te zien zonder in het lichaam te hoeven snijden. Ze wenden zich tot een vakgebied genaamd radiomics, dat medische beelden niet alleen behandelt als plaatjes voor het menselijk oog, maar als enorme bronnen van verborgen data. Terwijl een arts naar een echografie kijkt en de vorm en helderheid van een tumor ziet, kan een computer duizenden kleine patronen in de pixels analyseren die onzichtbaar zijn voor het menselijk oog. Deze patronen kunnen details onthullen over de interne structuur en de biologische samenstelling van de tumor. Het team wilde weten of zij de verborgen patronen in standaard echografieën konden gebruiken om te voorspellen of een blaastumor rijk is aan het HER2-eiwit, om zo artsen te helpen beslissen wie baat zou hebben bij de nieuwe gerichte medicijnen voordat er enige chirurgie plaatsvindt.
Om dit idee te testen, bekeken de onderzoekers de medische dossiers van 270 patiënten bij wie blaaskanker was vastgesteld en die vóór hun operatie een echografie hadden ondergaan. Bij elke patiënt in de studie werd het tumorweefsel na verwijdering onderzocht om de werkelijke HER2-status te bepalen. Het team nam vervolgens de echografiebeelden van deze tumoren en gebruikte gespecialiseerde software om 1.288 verschillende numerieke kenmerken uit elk beeld te halen. Deze kenmerken beschreven alles van de textuur van het oppervlak van de tumor tot de verdeling van de helderheid binnenin. Omdat het hebben van zoveel getallen een computermodel kan verwarren, gebruikten de onderzoekers een statistische methode om de ruis weg te filteren en alleen de vijf belangrijkste kenmerken te behouden die daadwerkelijk hielpen om onderscheid te maken tussen tumoren met het eiwit en tumoren zonder het.
Met deze vijf sleutelkenmerken in handen bouwde het team vier verschillende computermodellen om te zien welk model het beste de aanwezigheid van het eiwit kon voorspellen. Ze trainden deze modellen op een groot deel van de patiëntgegevens en testten ze vervolgens op de resterende gevallen om te zien hoe goed ze presteerden. De resultaten lieten zien dat één specif으로 type model, bekend als XGBoost, het meest accuraat was. Wanneer getest op de onbekende patiënten, identificeerde dit model de HER2-status met een hoge mate van betrouwbaarheid, waarbij het een score behaalde die op een sterke voorspellende kracht wees. De onderzoekers gebruikten ook een techniek om het besluitvormingsproces van het model duidelijk te maken, waardoor ze precies konden zien welke beeldkenmerken de voorspelling aanstuurden. Deze transparantie is cruciaal, omdat het artsen helpt erop te vertrouwen dat de computer naar echte biologische signalen kijkt in plaats van naar willekeurige ruis.
De studie concludeert dat deze aanpak een veelbelovende, niet-invasieve manier biedt om de HER2-expressie te screenen voordat een patiënt een operatie ondergaat. Door een eenvoudige echografie en een computermodel te gebruiken, zouden artsen potentieel kunnen identificeren welke patiënten waarschijnlijk zullen reageren op de nieuwe gerichte therapieën, waardoor anderen worden gespaard van onnodige behandelingen. De onderzoekers erkennen dat hun werk gebaseerd is op de gegevens van één enkel ziekenhuis en dat de steekproefomvang, hoewel substantieel, niet groot genoeg is om het laatste woord te hebben. Ze merken ook op dat hun model standaard zwart-wit echografiebeelden gebruikte en nog geen geavanceerdere beeldvormingstechnieken bevatte die de bloedstroom laten zien. Ondanks deze beperkingen suggereren de bevindingen dat de onzichtbare details binnen een routinematige echografie belangrijke aanwijzingen bevatten over de moleculaire aard van blaaskanker, wat een nieuw hulpmiddel biedt voor het personaliseren van de behandeling in de toekomst.
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.