Brustkrebs: Deep-Learning-Modell für pCR (Frontiers 2025)
📋Auf einen Blick
- •Ein neues Deep-Learning-Modell (CCDLR) kombiniert 3D-DCE-MRI-Merkmale mit klinischen Daten zur Vorhersage der pCR nach neoadjuvanter Therapie.
- •Die Fusion von 3D-Merkmalen des Tumors, peritumoraler Gefäße und metastasierter Lymphknoten erhöht die diagnostische Genauigkeit signifikant.
- •HER2-Positivität und das Fehlen einer Brustwandinvasion sind unabhängige klinische Prädiktoren für das Erreichen einer pCR.
Hintergrund
Das primäre Ziel der neoadjuvanten Therapie (NAT) bei Brustkrebs ist das Erreichen eines pathologischen Komplettansprechens (pCR). Eine frühzeitige Vorhersage des Therapieansprechens ermöglicht es Klinikern, Behandlungsstrategien rechtzeitig anzupassen (Eskalation oder Deeskalation). Bisherige Radiomics-Modelle fokussierten sich meist nur auf den Primärtumor und nutzten 2D-Analysen. Eine aktuelle Studie (Frontiers in Oncology, 2025) stellt ein neues Deep-Learning-Radiomics-Modell vor, das 3D-Merkmale aus der dynamischen kontrastmittelverstärkten MRT (DCE-MRI) nutzt.
Studiendesign und Definitionen
In die retrospektive Studie wurden 200 Brustkrebspatientinnen eingeschlossen, die vor der NAT eine DCE-MRI erhielten. Mithilfe einer 3D-UNet-Technologie wurden drei Regionen (Regions of Interest, ROI) halbautomatisch segmentiert:
| Region (ROI) | Segmentierungskriterium |
|---|---|
| Primärtumor | Phase mit der stärksten Kontrastmittelanreicherung |
| Peritumorale Gefäße | Abnorm verdickte Gefäße mit einem Durchmesser ≥ 3 mm |
| Metastasierte Lymphknoten | Kurzachsendurchmesser ≥ 1,5 cm oder deutliche Anreicherung |
Klinische Prädiktoren und Subtypen
Die multivariate logistische Regressionsanalyse zeigte, dass zwei klinische Faktoren unabhängige Prädiktoren für das Erreichen einer pCR sind:
- HER2-positive Expression (erhöht die Wahrscheinlichkeit einer pCR signifikant)
- Fehlen einer Brustwandinvasion
Die Einteilung der molekularen Subtypen in der Studie erfolgte nach folgenden Kriterien:
| Subtyp | Rezeptorstatus / Kriterien |
|---|---|
| Luminal A | ER+, PR+, HER2-, Ki-67 < 20 % |
| Luminal B (HER2-) | ER+, HER2- und (Ki-67 ≥ 20 % oder PR niedrig/negativ) |
| Luminal B (HER2+) | ER+ und/oder PR+, HER2+ |
| HER2-Überexpression | ER-, PR-, HER2+ |
| Triple-negativ | ER-, PR-, HER2- |
Modellvergleich und Ergebnisse
Die Forscher entwickelten zunächst ein rein bildgebendes Deep-Learning-Radiomics-Modell (DLR), das 65 extrahierte 3D-Merkmale nutzte. Anschließend wurde das Clinical Combined Deep Learning Radiomic Modell (CCDLR) konstruiert, welches die Bildgebungsdaten mit den beiden klinischen Prädiktoren (HER2-Status und Brustwandinvasion) fusionierte.
Das kombinierte Modell zeigte eine signifikant überlegene Vorhersagekraft:
| Modell (Test-Set) | AUC | Accuracy | Precision | Recall |
|---|---|---|---|---|
| DLR-Modell | 0,850 | 83,0 % | 83,3 % | 73,1 % |
| CCDLR-Modell | 0,870 | 92,0 % | 92,1 % | 92,1 % |
Fazit
Die Fusion von dreidimensionalen Bildgebungsmerkmalen des Tumors, der peritumoralen Gefäße und der Lymphknoten mit klinischen Parametern (CCDLR-Modell) bietet eine hochpräzise Methode zur Vorhersage der pCR. Dies hat großes Potenzial, die personalisierte Therapieplanung im klinischen Alltag zu unterstützen.
💡Praxis-Tipp
Achten Sie bei der Auswertung von DCE-MRIs vor neoadjuvanter Therapie nicht nur auf den Primärtumor, sondern auch auf peritumorale Gefäße (≥ 3 mm) und Lymphknoten. Diese Strukturen liefern als 'funktionelle Kanäle' wichtige Hinweise auf das Mikromilieu und das zu erwartende Therapieansprechen.