Dit artikel is onderdeel van de Editor’s Pick van dr. Bert van der Vegt, bestaande uit een selectie van klinisch relevante literatuur op het gebied van borstkanker. In deze selectie ligt de nadruk op nieuw onderzoek naar hoe patiënten met mammacarcinoom beter geselecteerd kunnen worden voor de juiste therapie – nu en in de toekomst.
Bekijk hier de gehele selectie.
Borstkanker staat in Nederland op nummer twee van de meest gediagnosticeerde kankersoorten, met 15.800 nieuwe gevallen in 2022.1 Een veelvoorkomende vorm borstkanker is oestrogeenreceptorpostieve, lymfekliernegatieve borstkanker (ER+/LN–-borstkanker), waarbij de behandeling bestaat uit een borstsparende of borst-amputerende operatie met daarna eventueel bestraling, adjuvante hormoontherapie en/of adjuvante chemotherapie. Adjuvante chemotherapie heeft het beste kosten-baten-profiel bij patiënten met een hoog recidiefrisico.2 Het is daarom belangrijk om te bepalen welke patiënten een hoogrisicoprofiel hebben. Hiervoor zijn de hulpmiddelen Oncotype DX (ODx) en het Nottingham grading system (NGS) beschikbaar. In een nieuwe studie van Chen et al. werd onderzocht of er aan de hand van digitale pathologie, met kwantitatieve histomorfometrie, een nog accuratere inschatting kan worden gemaakt met lagere kosten.3
In de studie werden diverse kenmerken meegenomen waarvan al eerder aangetoond was dat deze geassocieerd waren met risicostratificatie bij borstkanker. Er werd onderscheid gemaakt tussen drie hoofdcategorieën: nucleair pleomorfisme, mitotische snelheid en tubulusformatie. Bij de NGS worden de kenmerken die onder deze categorieën vallen beoordeeld door de onderzoeker. In de nieuwe studie werden deze door een computer beoordeeld. Om dit mogelijk te maken zetten de onderzoekers verschillende ‘deep learning’-modellen in die werden getraind op aangekleurde afbeeldingen van borstkankerpathologie. Vervolgens werden 343 kenmerken gerelateerd aan nucleair pleomorfisme, mitotische snelheid en tubulusformatie met kwantitatieve histomorfometrie geëxtraheerd. Daarmee werden de vier belangrijkste prognostische kernmerken bepaald per categorie om uiteindelijk een prognostisch Cox-regressiemodel (IbRiS) op te stellen.
De prognostische waarde van IbRiS werd gevalideerd aan de hand van twee patiëntcohorten van totaal 205 patiënten met ER+/LN–-borstkanker. Binnen deze cohorten was er grote variatie op het gebied van etniciteit, tumorgraad en behandelingsregime. Aan de hand van de patiëntdata werd de accuratesse van IbRiS bepaald in het vaststellen van het risicoprofiel van de patiënt aan de hand van de computer-geëxtraheerde kenmerken.
Het bleek mogelijk om aan de hand van het Cox regressiemodel onderscheid te maken tussen hoog- en laagrisicopatiënten. Patiënten met een langere ziektevrije overleving (‘disease-free survival’, DFS) hadden minder mitotische events, minder verbonden nucleaire clusters en een hogere proportie tubuluskernen. IbRiS was significant prognostisch voor DFS met een hazardratio van 2,33 (95%-BI: 1,02-5,32; p=0,045) bij testset D2 en 2,94 (95%-BI: 1,18-7,25;p=0,021) bij testset D3.
De resultaten van het computermodel werden ook vergeleken met de verdeling van laag- en hoogrisicopatiënten op basis van ODx. Hierbij werd gezien dat IbRiS nauwkeuriger onderscheid kon maken tussen hoog- en laagrisicopatiënten dan ODx. Binnen de hoogrisicogroep van ODx kon met IbRiS namelijk nog verder onderscheid worden gemaakt tussen welke patiënten een hogere en lagere kans hadden op een recidief.
In deze studie werd aangetoond dat het mogelijk is om met computationele pathologie onderscheid te maken tussen ER+/LN–-borstkankerpatiënten met een hoog of laag recidiefrisico. Hierbij werd gebruik gemaakt van deep learning-modellen die getraind werden op de belangrijkste prognostische tumorkenmerken. Met het Cox regressie-model dat vervolgens werd opgesteld, was het mogelijk om nauwkeurig onderscheid te maken tussen patiënten met een hoog en laag risico en om ziektevrije overleving te voorspellen.
Referenties
Naar boven
