Development and external evaluation of MRI and clinical models for pathological complete response in breast cancer
Deze studie vond dat het toevoegen van vaste samenvattingen van de MRI-signalen van de pretreatment niet significant bijdroeg aan de verbetering van de externe voorspelling van pathologische complete respons bij borstkanker, wat suggereert dat verdere beoordeling van kalibratie, onzekerheid en klinische bruikbaarheid vereist is voordat dergelijke MRI-gegevens kunnen worden gebruikt voor communicatie over de behandelingsrespons.
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
Voordat een vrouw een operatie voor borstkanker ondergaat, geven artsen vaak krachtige medicijnen toe om de tumor eerst te laten krimpen. Deze aanpak, bekend als neoadjuvante therapie, kan de kanker soms volledig elimineren, een resultaat dat artsen een "pathologische complete respons" noemen. Wanneer dit gebeurt, verdwijnt de tumor zo volledig dat een patholoog geen resterende kankercellen meer onder een microscoop kan vinden. Het bereiken van deze uitkomst is een grote overwinning, aangezien het gekoppeld is aan een betere langetermijnoverleving, vooral bij agressieve vormen van de ziekte. Het voorspellen van wie deze totale verdwijning zal bereiken voordat de behandeling zelfs begint, is echter moeilijk. Momenteel vertrouwen artsen op basisinformatie zoals de leeftijd van de patiënt en de specifieke biologische markers van de tumor om deze schattingen te maken. De vraag is lang geweest of het toevoegen van een gedetailleerde blik op de tumor met behulp van magnetische resonantiebeeldvorming (MRI) de voorspellingen aanzienlijk nauwkeuriger zou kunnen maken, wat meer persoonlijke gesprekken tussen artsen en patiënten mogelijk maakt over wat men kan verwachten.
Een onderzoeker aan King's College London zette zich in om deze vraag te beantwoorden door computermodellen te bouwen en te testen die ontworpen zijn om deze uitkomst te voorspellen. De studie omvatte geen nieuwe patiënten of nieuwe scans; in plaats daarvan gebruikte het bestaande, geanonimiseerde gegevens van twee grote, bekende klinische studies naar borstkanker. De onderzoeker bouwde de voorspellingsinstrumenten eerst met behulp van gegevens van bijna duizend patiënten uit de I-SPY2-studie. Deze modellen werden gevoed met twee soorten informatie. De eerste was een standaard klinisch profiel: de leeftijd van de patiënt en de status van drie belangrijke receptoren op de kankercellen, die bepalen hoe de tumor zich gedraagt en reageert op de behandeling. Het tweede type informatie kwam uit de MRI-scans die vóór de start van de behandeling werden gemaakt. Specifiek keek het model naar twaalf specifieke metingen afgeleid van de helderheid en contrastpatronen van de tumor in de scan, waarmee het uiterlijk van de tumor werd samengevat zonder de exacte grootte of vorm te meten.
Het doel was om te zien of het toevoegen van deze twaalf MRI-metingen aan de basisinformatie over leeftijd en receptoren de capaciteit van het model zou verbeteren om de uitkomst te raden. Om dit eerlijk te testen, nam de onderzoeker de gebouwde modellen en "bevroor" deze, wat betekent dat ze werden vastgezet en niet meer konden worden gewijzigd. Deze bevroren modellen werden vervolgens toegepast op een volledig aparte groep van 166 patiënten uit de oudere I-SPY1-studie, een groep die de modellen nog nooit eerder hadden gezien. Deze stap is cruciaal omdat het test of het model werkt in een andere setting of dat het simpelweg de patronen van de eerste groep heeft onthouden. De onderzoeker vergeleken hoe goed het model dat alleen leeftijd en receptoren gebruikte presteerde tegenover het model dat ook de MRI-gegevens bevatte.
De resultaten toonden aan dat het toevoegen van de MRI-gegevens de voorspelling niet verbeterde. Sterker nog, het model dat alleen de basis klinische informatie gebruikte, presteerde iets beter dan het model dat de MRI-scans bevatte toen het werd getest op de nieuwe groep patiënten. Het model met de MRI-gegevens bood geen nauwkeuriger schatting van de kans op een complete respons. Bovendien onderzocht de studie hoe stabiel deze voorspellingen waren. Als de onderzoeker het model opnieuw had gebouwd met een iets andere groep patiënten uit dezelfde pool, zouden de voorspellingen voor een individuele patiënt dan drastisch veranderen? De analyse onthulde dat de voorspellingen van het model dat MRI-gegevens bevatte, veel minder stabiel waren. De geschatte waarschijnlijkheid van genezing voor een specifieke patiënt kon met bijna negen procentpunten schommelen door enkel de groep mensen te veranderen die werd gebruikt om het model te bouwen, terwijl het eenvoudigere model veel consistenter was.
De studie onderzocht ook hoe goed de modellen hun voorspellingen kalibreerden. Een goed model moet niet alleen de patiënten correct rangschikken, maar ook waarschijnlijkheden voorspellen die overeenkomen met de werkelijkheid. Bijvoorbeeld, als een model voorspelt dat 30 procent van de patiënten een complete respons zal hebben, dan zouden ongeveer 30 procent van hen dat ook daadwerkelijk bereiken. In deze studie neigden alle modellen de kans op succes te overschatten, waarbij ze een hogere waarschijnlijkheid van genezing voorspelden dan wat daadwerkelijk bij de patiënten werd waargenomen. Het model dat MRI-gegevens bevatte, was bijzonder geneigd tot deze overschatting. De onderzoekers concludeerden dat hoewel MRI-scans een enorme hoeveelheid informatie bevatten, de specifieke manier waarop deze twaalf metingen werden samengevat en toegevoegd aan de basis klinische gegevens, niet hielp. De studie sloot expliciet de mogelijkheid uit dat deze specifieke, compacte MRI-samenvatting een betrouwbare verbetering biedt voor het voorspellen van de behandelrespons in deze context.
Uiteindelijk suggereert het onderzoek dat het toevoegen van deze vaste MRI-samenvattingen aan leeftijd en receptorstatus niet duidelijk voordeel biedt voor het doel om een patiënt zijn specifieke kansen op een volledige genezing te vertellen voordat de behandeling begint. De studie vond geen bewijs dat de MRI-gegevens de nauwkeurigheid van de voorspellingen verbeterden of dat ze de modellen betrouwbaarder maakten. De onderzoekers benadrukten dat voordat dergelijke instrumenten gebruikt kunnen worden om moeilijke medische beslissingen of gesprekken te begeleiden, ze een betere nauwkeurigheid in externe tests moeten demonstreren en moeten aantonen dat hun voorspellingen stabiel blijven. Tot die tijd rechtvaardigt de toegevoegde complexiteit van de MRI-gegevens het gebruik ervan boven de eenvoudigere, meer consistente klinische informatie voor deze specifieke voorspellings taak niet.
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.