Preoperative Prediction of Microvascular Invasion in small hepatocellular carcinoma (≤3 cm) by leveraging cross-phase variations of MRI contrast phases

Leverkanker blijft een van de meest vormende uitdagingen in de moderne geneeskunde, omdat het vaak terugkeert zelfs nadat een chirurg de zichtbare tumor succesvol heeft verwijderd. Een belangrijke reden voor deze recidive is een verborgen gevaar genaamd microvasculaire invasie, waarbij minuscule, onzichtbare strengen kankercellen binnensluipen in de bloedvaten rondom de tumor. Dit proces is een cruciaal waarschuwingssignaal dat de ziekte agressiever is en waarschijnlijk zal uitzaaien, maar het kan niet met het blote oog worden gezien of door standaardscans worden gedetecteerd totdat de operatie is voltooid en het weefsel onder een microscoop wordt onderzocht. Omdat artsen niet kunnen weten of deze microscopische indringers aanwezig zijn voordat ze opereren, moeten ze moeilijke beslissingen nemen over hoe brede marge van gezond weefsel ze moeten verwijderen, vaak zonder het volledige beeld te hebben van waar ze tegen vechten.

Decennialang hebben radiologen vertrouwd op magnetische resonantiebeeldvorming, of MRI, om naar levertumoren te kijken. Deze scans maken beelden op verschillende momenten terwijl een contrastmiddel door het lichaam stroomt, waarbij ze vastleggen hoe de tumor oplicht in de arteriële, veneuze en vertraagde fasen. Hoewel artsen lang deze verschuivende patronen hebben gebruikt om het karakter van een tumor te beoordelen, kan het menselijk oog deze veranderingen slechts kwalitatief interpreteren, gebaseerd op ervaring en intuïtie. De vraag die onderzoekers hebben geprobeerd te beantwoorden, is of de specifieke manier waarop de textuur en helderheid van een tumor van de ene fase naar de volgende verandert, een kwantificeerbaar geheim bevat over de vraag of die onzichtbare kankercellen al de nabijgelegen vaten hebben geïnvasieerd.

Een team van onderzoekers van het Huashan Hospital en de Shanghai Polytechnic University zette zich erin om dit geheim te vinden door een computer te leren het verhaal te lezen dat de veranderende MRI-beelden vertellen. Ze richtten zich op 115 patiënten met kleine levertumoren, niet groter dan 3 centimeter, die een operatie hadden ondergaan. Het team wist dat de gevaarlijkste tumoren vaak een chaotische, agressieve textuur hebben die verandert naarmate de bloedstroom tijdens de scan verschuift. In plaats van alleen naar de tumor zelf te kijken, onderzochten ze ook een dunne ring van gezond ogend weefsel net buiten de rand van de tumor, waarbij ze hun blik uitbreidden naar 3, 5 en 10 millimeter om te zien of het gevaar naar buiten lekte.

De onderzoekers namen de gedetailleerde metingen van de textuur van de tumor uit de drie verschillende MRI-fasen en voerden deze in een computersysteem dat ontworpen is om patronen te herkennen. Ze testten verschillende manieren om te beschrijven hoe het uiterlijk van de tumor evolueerde van de eerste fase naar de laatste. Ze probeerden eenvoudige methoden door simpelweg de getallen op te sommen, maar ze probeerden ook meer geavanceerde benaderingen die de veranderingen behandelden als een golf of een signaal, waarbij ze zochten naar het ritme van het gedrag van de tumor. Ze combineerden deze beeldpatronen met standaard bloedtestresultaten, zoals niveaus van leverenzymen en specifieke eiwitten, om te zien of de combinatie een duidelijker beeld bood.

De resultaten lieten zien dat de meest succesvolle aanpak was om de veranderingen over de drie MRI-fasen te behandelen als een dynamisch signaal en deze te analyseren met een specifieke wiskundige methode die complexe patronen afbreekt in hun fundamentele componenten. Wanneer deze methode werd toegepast op de tumor en een ring van 5 millimeter rondom het weefsel, bereikte het computermodel een hoog niveau van nauwkeurigheid bij het voorspellen of microvasculaire invasie aanwezig was. Het model identificeerde de aanwezigheid van deze onzichtbare indringers correct in het overgrote deel van de gevallen, en presteerde beter dan modellen die slechts naar één fase van de scan keken of uitsluitend vertrouwden op bloedtesten.

Door te analyseren welke kenmerken de computer het belangrijkst vond, ontdekten de onderzoekers dat de sleutel tot de voorspelling lag in de interactie tussen de interne textuur van de tumor en hoe die textuur in de loop van de tijd veranderde. Specifiek keek het model naar mismatches in de manier waarop verschillende delen van de tumor reageerden op het contrastmiddel. Wanneer de interne structuur van de tumor en de omringende omgeving veranderden op een manier die niet overeenkwam met de gladde, voorspelbare patronen van gezond weefsel, markeerde het model dit als een hoog risico. Dit suggereert dat de zeer specifieke manier waarop een tumor "ademt" en verschuift tijdens een MRI-scan een vingerafdruk bevat van zijn agressiviteit.

Deze studie beweert niet het probleem van leverkanker te hebben opgelost, noch suggereert het dat deze modellen klaar zijn voor onmiddellijk gebruik in elk ziekenhuis. De onderzoekers merkten op dat hun werk gebaseerd was op een relatief kleine groep patiënten uit een enkel ziekenhuis, en dat het proces nog steeds een menselijke expert vereist om de tumor zorgvuldig op de scan te omlijnen, een taak die ongeveer tien minuten per patiënt in beslag neemt. Echter, de bevindingen bieden een veelbelovende nieuwe richting. Ze demonstreren dat de subtiele, verschuivende variaties in een MRI-scan niet slechts ruis zijn, maar een rijke bron van informatie die, wanneer deze correct wordt gedecodeerd, het verborgen gedrag van een tumor kan onthullen voordat een scalpel de patiënt ooit aanraakt. Deze aanpak zou chirurgen uiteindelijk kunnen helpen bij het plannen van preciezere operaties, waarbij meer weefsel wordt verwijderd wanneer het risico hoog is, en gezond leverweefsel wordt gespaard wanneer het risico laag is, alles gebaseerd op een niet-invasieve scan.