DCE-MRI-derived peritumoral and habitat radiomics for preoperative prediction of p53-abnormal endometrial cancer: a dual-center retrospective study with external validation
Deze dual-center studie met externe validatie demonstreert dat een dynamisch contrastversterkt MRI-fusiemodel dat klinische predictoren, peritumorale en intratumorale habitat-radiomics kenmerken integreert, effectief en niet-invasief p53-abnormaal endometriumcarcinoom voorspelt, waarmee een robuust hulpmiddel wordt geboden voor preoperatieve moleculaire risicostratificatie.
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
Endometriumcarcinoom, een ziekte die het baarmoederslijmvlies aantast, komt steeds vaker voor en het gedrag ervan varieert enorm van patiënt tot patiënt. Decennialang vertrouwden artsen op brede categorieën om te beslissen hoe de ziekte behandeld moest worden, maar een modern begrip van genetica heeft onthuld dat de ziekte in werkelijkheid wordt aangedreven door verschillende moleculaire motoren. Een van de gevaarlijkste van deze motoren betreft een gen genaamd p53. Wanneer dit gen defect raakt, heeft de kanker de neiging agressief te groeien en resistent te zijn tegen standaardbehandelingen, wat het cruciaal maakt om deze specifieke gevallen te identificeren voordat de operatie begint. Momenteel is de enige manier om zeker te weten of een patiënt dit gevaarlijke subtype heeft, door een weefselmonster te nemen en dit onder een microscoop te bekijken of complexe genetische tests uit te voeren. Deze methoden hebben echter gebreken. Een klein weefselmonster zou het gevaarlijke deel van de tumor kunnen missen omdat de kanker niet uniform door het hele weefsel verspreid is, vergelijkbaar met het proberen te raden van de smaak van een hele taart door slechts één kruimeltje te proeven. Bovendien kan de microscopische examinatie subjectief zijn, waardoor verschillende artsen tot verschillende conclusies komen over hetzelfde monster.
Vanwege deze beperkingen zoeken onderzoekers naar een manier om de ware aard van de tumor te zien zonder erin te snijden. Ze richtten zich op magnetische resonantie beeldvorming, oftewel MRI, die gedetailleerde beelden van het binnenste van het lichaam maakt. Hoewel artsen deze beelden al lang gebruiken om de grootte en vorm van een tumor te zien, stelt een nieuwere benadering genaamd radiomics computers in staat om duizenden minuscule, onzichtbare details uit het beeld te extraheren die het menselijk oog niet kan zien. Deze studie was erop gericht een computermodel te bouwen dat als een niet-invasieve detective kan fungeren, door gebruik te maken van deze verborgen gedetailleerde beeldinformatie om te voorspellen of een patiënt het gevaarlijke p53-gemuteerde kanker heeft voordat zij ooit een operatiekamer binnenstapt.
De onderzoekers, werkend over twee grote ziekenhuizen heen, verzamelden gegevens van bijna 500 vrouwen die een operatie hadden ondergaan voor endometriumcarcinoom. Zij kenden de ware genetische status van de tumor van elke patiënt, omdat elk geval was bevestigd met geavanceerde genetische sequencing, wat diende als de gouden standaard voor de waarheid. Het team ging vervolgens terug naar de preoperatieve MRI-scans die deze vrouwen hadden ontvangen. In plaats van de tumor alleen als één solide klomp te beschouwen, braken ze het beeld af in drie verschillende zones van belang. Ten eerste analyseerden ze de tumor zelf. Ten tweede keken ze naar een dunne ring van weefsel direct rondom de tumor, uitbreidend tot vijf millimeter naar buiten, om te zien hoe de kanker interageert met de directe omgeving. Ten derde, en misschien wel het meest innovatief, gebruikten ze een computeralgoritme om de binnenkant van de tumor te verdelen in drie verschillende functionele zones, of "habitats". Deze stap was ontworpen om de variabele te vangen dat de binnenkant van een agressieve tumor vaak een chaotische mix is van dode cellen, dicht opeengepakte levende cellen en gebieden met een slechte bloedtoevoer, in plaats van een uniform blok weefsel.
Vanuit deze drie zones extraheerde de computer meer dan elf duizend wiskundige kenmerken die de textuur, helderheid en patronen van de beelden beschrijven. Het team trainde vervolgens een machine learning-systeem om te vinden welke van deze duizenden kenmerken het meest nuttig waren voor het opsporen van het gevaarlijke p53-gemuteerde kanker. Ze testten verschillende manieren om deze informatie te combineren, waarbij ze aparte modellen creëerden die alleen naar de tumor keken, alleen naar de omliggende ring, of alleen naar de interne habitats. Ze bouwden ook een definitief "fusie"-model dat de beste beeldkenmerken combineerde met eenvoudige klinische feiten over de patiënten, zoals hun bloeddruk en bloedwaarden.
De resultaten toonden aan dat het kijken naar de interne complexiteit van de tumor de meest krachtige manier was om het gevaarlijke subtype op te sporen. Het model dat de drie interne habitats analyseerde, was opmerkelijk stabiel; het identificeerde de agressieve kanker correct in ongeveer 81 procent van de gevallen in de initiële groep en behield deze nauwkeurigheid bij het testen op een volledig andere groep patiënten uit een tweede ziekenhuis. De meest nauwkeurige tool was echter het fusiemodel. Door de diepe inzichten van de interne habitats van de tumor en de omliggende ring te combineren met de klinische geschiedenis van de patiënt, bereikte het systeem een hoog niveau van discriminatie, waarbij het de gevaarlijke gevallen correct identificeerde in bijna 89 procent van de trainingsgevallen en 86 procent van de externe testgevallen. Cruciaal was dat het model uitzonderlijk goed was in het uitsluiten van de gevaarlijke kanker; als het model zei dat een patiënt de p53-mutatie niet had, was er een kans van 97 procent dat dit juist was.
De studie onthulde ook waarom deze benadering beter werkt dan eerdere methoden. De onderzoekers ontdekten dat de gevaarlijke kanker een specifieke handtekening achterlaat, niet alleen in de kern van de tumor, maar ook in hoe het het omliggende weefsel hervormt en hoe het een chaotische interne omgeving creëert. Terwijl het model dat alleen naar het weefsel rondom de tumor keek minder consistent was bij het testen op patiënten uit een ander ziekenhuis – waarschijnlijk omdat dat gebied lastiger precies te definiëren is op een scan – bleef de analyse van de interne habitats robuust. Dit suggereert dat de ware biologische vingerafdruk van deze agressieve kanker diep verankerd is in de eigen complexe structuur van de tumor. De onderzoekers concludeerden dat deze op beeldvorming gebaseerde benadering de noodzaak van genetische tests niet vervangt, maar een krachtige, niet-invasieve manier biedt om patiënten te screenen. Het kan artsen helpen om te prioriteren wie urgente genetische tests nodig heeft en laag-risicopatiënten te sparen van onnodige invasieve procedures, zodat de meest agressieve gevallen vanaf het begin met de juiste intensiteit worden geïdentificeerd en behandeld.
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.