
Ameliyat edilebilir meme kanserinin tedavisinde geleneksel olarak cerrahi, ardından adjuvan kemoterapi ve radyasyon tedavisi olarak üç yöntemli bir yaklaşım uygulanmış olup 2001'den başlayarak, randomize klinik çalışmalar neoadjuvanın adjuvan kemoterapiye eşdeğer olduğunu göstermiş ve bulguları pratikte değişmiştir. Araştırmacılar neoadjuvan kemoterapinin (NAC) ameliyattan önce verildiğini, tedavinin izlenmesine ve meme kanserinin azaltılmasına izin verilmesini, böylece lokal cerrahinin kapsamını azaltma avantajına sahip olduğunu belirtmişlerdir. Klinik uygulaması, geçmişte mastektomi ve tam aksiller lenf nodu diseksiyonu gerektiren kadınlar için meme koruyucu cerrahi (lumpektomi) ve sentinel lenf nodu biyopsisine izin vermiştir.
Bilim insanları NAC'ın amacını, memede kalan kanser olarak tanımlanan patolojik bir tam yanıt (pCR) olarak belirtmişler ve bir pCR’nin, hastalıksız ve genel sağkalım için geliştirilmiş bir bitiş noktası olduğunu ifade etmişlerdir. NAC sonrası bir pCR'yi doğrulamak için şu anda cerrahi gerekli olmakla birlikte, pCR invaziv olmayan bir şekilde tanımlanabiliyorsa cerrahi gerekli olabilmektedir. Meme muayenesi şu anda NAC öncesi ve sonrası önerilmektedir, çünkü araştırmacılar fiziki muayenenin, mamografi ve ultrason ile karşılaştırıldığında pCR tanısı için en doğru test olduğunu belirtmişlerdir. Bununla birlikte, bir pCR için MRG'nin rapor edilen duyarlılığı oldukça değişkendir; bir meta-analiz 64’lük bir toplanmış duyarlılık bildirmiştir ve bu da, doku onayı ve cerrahiyi ortadan kaldırmak için yeterli değildir. Yüksek çözünürlüklü meme MRG'si, makine öğrenme teknikleri ile birleştirildiğinde son derece hassas ve invazif olmayan NAC yanıt saptama yöntemleri ile sonuçlanma potansiyeline sahip olduğu konusunda zengin bir bilgi sahibidir.
NAC ile tedavi edilen kadınlarda NAC öncesi ve sonrası meme MRG'si ve NAC sonrası cerrahi patoloji raporu ile yanıtı
Radyoloji alanı, görüntülerin bilgisayarlı nicel analizinin uygulanmasını, insan gözüyle algılanamayan özellikleri çıkararak görsel değerlendirmeyi güçlendirmeyi içermekte olup bu yöntemler, makine öğrenimi ile entegrasyona uygundur ve meme ve diğer kanserlerde tedavi yanıtının invaziv olmayan tanımlanması için potansiyel göstermiştir. Bu nedenle yapılan bu çalışmanın amacını araştırmacılar, MRG'de NAC sonrası meme kanseri pCR'sini sınıflandıran bir radyoloji biyomarkeri geliştirmek ve doğrulamak olarak belirtmişlerdir. Bu retrospektif çalışmada, 2014-2016 yılları arasında meme kanseri için NAC ile tedavi edilen kadınlar NAC öncesi ve sonrası meme MRG'si ve NAC sonrası cerrahi patoloji raporu ile yanıtı değerlendirilmiştir. NAC öncesi ve sonrası meme MRG'sinin otomatik radyografik analizi, görüntü segmentasyonu, radyomik özellik çıkarma, özellik ön filtreleme ve rastgele orman (RFE-RF) makine öğrenimi yoluyla özyineleme özellikli sınıflandırıcı oluşturma içermekte olup RFE-RF sınıflandırıcısının, sadece radyoloji (model 1) ve radyoloji ve moleküler alt tip (model 2) kullanılarak iç içe beş kat çapraz doğrulama ile eğitilmiş olduğunu göstermiştir. Yapılan çalışmada sınıf dengesizliği, sentetik azınlık aşırı örnekleme tekniği kullanılarak ele alınmıştır.
Araştırmacılar çalışmaya 278 invaziv meme kanseri olan 247 kadın dahil edildiğini ve eğitim setinin 222 kanserden ve bağımsız test seti 56 kanserden oluştuğunu bildirmişlerdir. Çalışma sonucunda eğitim ve test setleri arasında pCR veya moleküler alt tip açısından anlamlı bir fark bulunmadığı, model 1’in, hem eğitim hem de test setlerinde 0.72 çapraz doğrulama AUROC ve benzer şekilde doğru 0.83 AUROC elde edildiği belirtilmiştir. Ayrıca model 2 de, hem eğitim hem de test setlerinde 0.80 çapraz doğrulama AUROC ve 0.78 benzer AUROC elde edilmiştir. Sonuç olarak araştırmacılar, bağımsız bir test setinde MRI'da pCR'yi 0.88 AUROC ile doğru şekilde tahmin eden moleküler alt tiplerle birleştiren bir makine öğrenme modeli geliştirdiklerini ve doğruladıklarını belirtmişler ve sonuçlarının pCR post-NAC'yi öngörmek için radyoloji tabanlı özellik sınıflandırıcıları dahil etmenin potansiyel klinik değerini vurgulamak olduğunu ifade etmişlerdir.
Sutton EJ, Onishi N, Fehr DA, et al. A machine learning model that classifies breast cancer pathologic complete response on MRI post-neoadjuvant chemotherapy. Breast Cancer Res. 2020;22(1):57. Published 2020 May 28. doi:10.1186/s13058-020-01291-w
+ Tüm Referansları Göster