Technische Samenvatting: Multimodale Fusie voor Preoperatieve Voorspelling van Lymphovasculaire Invasie bij Borstkanker

Probleemstelling

Lymphovasculaire invasie (LVI) is een cruciale prognostische factor bij borstkanker, geassocieerd met een verhoogd risico op lokale recidive, metastasen op afstand en een verminderde algehele overleving. De preoperatieve beoordeling van LVI blijft echter uitdagend. De huidige gouden standaard, de postoperatieve histopathologische beoordeling, kan de preoperatieve chirurgische planning of de selectie van neoadjuvante therapie niet sturen. Hoewel kernbiopten een minder invasief alternatief bieden, slagen ze er vaak niet in om de ruimtelijke heterogeniteit van de tumor en de peritumorale regio's waar LVI frequent voorkomt, te vatten, wat leidt tot bemonsteringsfouten en significante inter-waarnemer variabiliteit. Daarom is er een dringende behoefte aan niet-invasieve, reproduceerbare beeldvormingsmethoden die in staat zijn om de LVI-status accuraat te voorspellen vóór de chirurgie.

Methodologie

Deze studie maakte gebruik van een retrospectief, multicenter ontwerp waarbij 750 patiënten met bevestigde pathologische borstkanker uit twee onafhankelijke klinische centra werden betrokken. De gegevens werden verdeeld in een ontwikkelingscohort (Centrum 1, n=636), dat verder werd gesplitst in een trainingsset (n=445) en een interne validatieset (n=191), en een onafhankelijke externe testset (Centrum 2, n=114).

Data-acquisitie en Preprocessing

• Beeldvorming: Dynamic contrast-enhanced magnetic resonance imaging (DCE-MRI) werd verkregen met behulp van 3.0T scanners (Philips en GE) met variërende protocollen.
• Segmentatie: Twee ervaren radiologen omschreven handmatig de tumorgebieden van belang (regions of interest, ROI's) op de snede met het grootste tumoroppervlak, waarbij necrose en cysteuze veranderingen werden vermeden.
• Klinische Data: Pathologische en klinische variabelen, waaronder leeftijd, menopauzaal status, histologische graad, status van de sentinel lymfeknoop, immunohistochemische markers (ER, PR, HER-2, Ki-67) en moleculaire subtypes, werden geëxtraheerd.

Feature Extractie en Modelseconstructie

De studie vergeleek systematisch vier ROI-cropping strategieën voor 2D deep learning input:

1. crop: Een rechthoekig gebied dat de tumor bevat.
2. crop_roi_only: Alleen de tumor ROI.
3. crop_en5: De ROI uitgebreid met 5 mm in de peritumorale regio.
4. no_crop: De volledige beeld snede die de tumor bevat.

Vijf voorspellende modellen werden geconstrueerd en vergeleken:

1. Klinisch Model (Clinic): Gebaseerd op onafhankelijke risicofactoren geïdentificeerd via multivariate logistische regressie.
2. Radiomics Model (Rad): Geëxtraheerd met behulp van PyRadiomics (first-order, vorm, textuur features) met LASSO-regressie voor selectie en vijf machine learning classificators (LR, SVM, KNN, RF, MLP).
3. Deep Learning Model (DTL): Features geëxtraheerd met behulp van een VGG19 netwerk (voorgetraind op ImageNet) met de optimale ROI strategie, gevoed aan dezelfde vijf classificators.
4. Deep Learning Radiomics Model (DLR): Een feature-level fusie van traditionele radiomics en deep learning features.
5. Gecombineerd Model: Een uitgebreide fusie van radiomics, deep learning features en klinische risicofactoren.

Prestaties werden geëvalueerd met behulp van AUC, accuratesse, sensitiviteit, specificiteit, kalibratiecurven en Decision Curve Analysis (DCA).

Belangrijkste Bijdragen

1. Optimalisatie van ROI Strategieën: De studie biedt een systematische evaluatie van ROI-definitiestrategieën voor 2D deep learning bij LVI-voorspelling. Het identificeert dat een eenvoudige rechthoekige crop die de tumor en beperkte achtergrond bevat (crop), de beste generalisatieprestaties levert, waarbij het superieur is aan precieze segmentatie, peritumorale expansie en full-slice inputs.
2. Multimodaal Fusiekader: De auteurs demonstreren de incrementele waarde van het integreren van traditionele radiomics, 2D deep learning features en klinische risicofactoren. De studie benadrukt dat hoewel op zichzelf staande deep learning modellen kunnen worstelen met subtiele histopathologische kenmerken zoals LVI, hun integratie met radiomics en klinische data de voorspellende capaciteit aanzienlijk verbetert.
3. Strikte Multicenter Validatie: In tegenstelling tot veel eerdere studies die steunen op single-center data, gebruikt dit werk een onafhankelijke externe testset van een andere instelling met verschillende beeldvormingsprotocollen, wat een robuuste beoordeling van de generaliseerbaarheid van het model biedt.

Resultaten

• ROI Strategie Vergelijking: De crop strategie vertoonde een superieure generalisatie op de externe testset, met AUC-waarden variërend van 0,652 tot 0,683 over de classificators. In tegenstelling hiermee presteerde de no_crop strategie het slechtst (AUC < 0,531), en de crop_en5 strategie vertoonde tekenen van overfitting tijdens de training.
• Klinische Predictoren: Multivariate analyse identificeerde menopauzaal status, histologische graad, sentinel lymfeknoop status, Ki-67 expressieniveau en moleculair subtype als onafhankelijke predictoren van LVI.
• Modelprestaties:
  • Het Gecombineerde Model behaalde de beste algehele prestatie op de externe testset met een AUC van 0,720 (95% CI: 0,6245–0,8146).
  • Opmerkelijk genoeg, terwijl het Clinical-only model een iets hogere AUC had (0,743), vertoonde het Gecombineerde model een significant hogere sensitiviteit (0,847 vs. 0,610), waardoor het aantal fout-negatieven wordt verminderd.
  • Zelfstandige modellen (Rad, DTL, DLR) vertoonden lagere prestaties op de externe testset (AUCs < 0,650), waarbij het DTL model bijzonder slecht presteerde (AUC 0,469).
• Klinische Bruikbaarheid: Decision Curve Analysis bevestigde dat het Gecombineerde model de hoogste netto voordelen bood over een breed scala aan drempelwaarschijnlijkheden, wat de klinische bruikbaarheid ondersteunt.

Betekenis en Claims

Het artikel claimt dat het voorgestelde multimodale fusiemodel een veelbelovende niet-invasieve benadering biedt voor de preoperatieve LVI-risicostratificatie. Door een hoge sensitiviteit te bereiken, adresseert het model een kritieke klinische behoefte om fout-negatieven te minimaliseren, waardoor de onderschatting van patiëntrisico en inadequate behandelplanning wordt voorkomen. De studie benadrukt dat de rechthoekige ROI cropping strategie de optimale inputconfiguratie is voor 2D DCE-MRI deep learning in deze context.

De auteurs hanteren een bescheiden toon met betrekking tot hun bevindingen, waarbij zij beperkingen erkennen zoals het retrospectieve karakter van de studie, de relatief kleine externe validatieset, en het gebruik van 2D single-slice inputs die de volumetrische tumorbiologie mogelijk niet volledig kunnen vatten. Zij concluderen dat hoewel het model potentieel vertoont voor gepersonaliseerde behandelbeslissingen, het beschouwd moet worden als een complementair hulpmiddel bij bestaande klinische beoordelingen in plaats van een zelfstandige vervanging, en dat verdere prospectieve validatie vereist is.