Rectal wall radiomics and dosiomics for predicting acute radiation proctitis after pelvic radiotherapy: a retrospective machine-learning study

Radiotherapie is een krachtig hulpmiddel bij de behandeling van kankers in het bekkengebied, zoals kankers die de cervix of de uterus aantasten. Hoewel moderne machines de bestralingsbundels met ongelooflijke precisie kunnen vormen om de tumor te raken, ligt de endeldarm zo dicht bij deze doelwitten dat deze onvermijdelijk enige blootstelling krijgt. Deze blootstelling kan acute radiatieproctitis triggeren, een ontsteking van het slijmvlies van de endeldarm die pijnlijke symptomen veroorzaakt zoals drang, bloedingen en ongemak. Decennialang hebben artsen vertrouwd op standaardmetingen om te voorspellen wie deze bijwerkingen zou ervaren. Deze metingen, bekend als dosis-volume histogrammen, vatten in feite een complexe driedimensionale kaart van de straling samen in enkele samenvattende getallen, die aangeven hoeveel van het orgaan een bepaalde hoeveelheid straling heeft ontvangen. Deze samenvattingen missen echter de fijnere details over waar de straling zich concentreert en hoe het weefsel zelf er vóór de behandeling uitziet.

Een nieuwe studie van onderzoekers uit China onderzoekt of het kijken naar het probleem met meer detail de voorspellingen kan verbeteren. In plaats van alleen te tellen hoeveel straling een patiënt ontvangt, onderzocht het team de textuur en vorm van de endeldarmwand op pre-behandelingsscans, naast de specifieke ruimtelijke patronen van het geplande bestralingsplan. Door deze twee verschillende soorten informatie te combineren — hoe het weefsel eruitziet en hoe de straling precies is gerangschikt — wilden ze een nauwkeurigere prognose maken van wie ernstige ontsteking zou ontwikkelen. Het doel was niet om een nieuw machine learning-algoritme uit te vinden, maar om te zien of het koppelen van deze twee verschillende perspectieven op hetzelfde probleem een duidelijker beeld bood dan elk van hen alleen zou kunnen bieden.

De onderzoekers voerden een retrospectieve studie uit, wat betekent dat ze terugkeken in medische dossiers van 137 vrouwen die recentelijk radiotherapie voor gynaecologische kankers hadden ondergaan. Ze verdeelden deze patiënten in twee groepen: een grotere groep die werd gebruikt om hun voorspellende modellen te bouwen en te trainen, en een kleinere, afzonderlijke groep die werd gebruikt om te testen hoe goed die modellen werkten op nieuwe gegevens. Voor elke patiënt richtte het team zich specifiek op de endeldarmwand, een dunne ring van weefsel, in plaats van de gehele endeldarm, die gas of ontlasting zou kunnen bevatten die de analyse zou kunnen verwarren. Ze maakten een digitale kaart van deze wand vanuit de plannings-CT-scan om honderden kenmerken te extraheren die de textuur, vorm en intensiteit beschrijven. Tegelijkertijd analyseerden ze het driedimensionale bestralingsplan om kenmerken te extraheren die de verdeling van de straling beschrijven, waarbij ze zochten naar patronen zoals hotspots of gradiënten die standaard samenvattingen zouden missen.

Met behulp van geavanceerde computertrainingstechnieken testte het team verschillende modellen om te zien welke het best kon voorspellen of een patiënt graad 2 of hoger acute radiatieproctitis zou ontwikkelen, een ernst die doorgaans medische interventie vereist. Ze ontdekten dat het model dat alleen de textuur- en vormkenmerken van de CT-scan gebruikte, goed presteerde en patiënten met een hoge mate van nauwkeurigheid correct identificeerde. Een apart model dat alleen de ruimtelijke details van de bestralingsdosis gebruikte, presteerde ook goed, hoewel het iets beter was in het uitsluiten van patiënten die de ziekte niet zouden krijgen dan in het vangen van diegenen die dat wel zouden krijgen. Wanneer de onderzoekers beide sets informatie combineerden in één geïntegreerd model, verbeterden de resultaten. Deze gecombineerde aanpak bereikte de hoogste nauwkeurigheid en onderscheidde met succes tussen degenen die de aandoening zouden ontwikkelen en degenen die dat niet zouden doen, met een grotere betrouwbaarheid dan wanneer beide methoden afzonderlijk werden gebruikt.

De studie suggereert dat het basisuiterlijk van het endeldarmweefsel en de specifieke rangschikking van de bestralingsdosis complementaire informatie bevatten. De computeranalyse onthulde dat bepaalde subtiele patronen in de weefseltextuur, zoals kleine variaties in de manier waarop het weefsel röntgenstraling absorbeert, even belangrijk waren als de specifieke clustering van de bestralingsdosis. Dit geeft aan dat het risico van een patiënt niet uitsluitend wordt bepaald door de hoeveelheid straling die zij ontvangen, maar ook door de unieke kenmerken van hun eigen weefsel en de precieze geometrie van het behandelplan. De onderzoekers gebruikten een methode genaamd SHAP-analyse om te verifiëren dat het model inderdaad kenmerken uit zowel de weefselbeelden als de dosiskaarten gebruikte om zijn beslissingen te nemen, in plaats van te vertrouwen op slechts één bron.

Ondanks deze veelbelovende resultaten merken de auteurs er voorzichtig bij op dat dit werk voorlopig is. De studie werd uitgevoerd in een enkel ziekenhuis en de testgroep was relatief klein, bestaande uit slechts 42 patiënten. Hierdoor zijn de betrouwbaarheidsintervallen rond hun resultaten breed, wat betekent dat de exacte prestatiecijfers kunnen verschuiven als het model op een veel grotere groep mensen zou worden getest. De studie vergeleken hun nieuwe aanpak ook niet met een model dat alle beschikbare klinische gegevens bevat, zoals de leeftijd van een patiënt of een geschiedenis van diabetes, dus het is nog niet duidelijk of deze nieuwe methode waarde toevoegt boven wat artsen al weten. Bovendien werden de modellen getraind op de geplande bestralingsdosis in plaats van de daadwerkelijk toegediende dosis, die licht kan variëren door dagelijkse veranderingen in hoe de endeldarm gevuld is of gepositioneerd is.

De onderzoekers concluderen dat hoewel hun geïntegreerde model een sterke potentie heeft voor interne voorspelling, het nog niet klaar is voor routinematig klinisch gebruik. Voordat het gebruikt kan worden om behandelbeslissingen te sturen, moet het model worden gevalideerd in grotere, multicenter studies en worden getest tegen gevestigde klinische benchmarks. De werkelijke waarde van dit werk ligt in het aantonen dat het bekijken van het probleem door twee verschillende lenzen — de fysieke staat van het weefsel en de ruimtelijke realiteit van de straling — een rijker, genuanceerder begrip van het risico biedt. Totdat verdere validatie voltooid is, dienen deze bevindingen als een bewijs van concept dat een meer gedetailleerde, ruimtelijk bewuste analyse er ooit voor kan zorgen dat oncologen patiënten beter kunnen beschermen tegen de pijnlijke bijwerkingen van levensreddende radiotherapie.