Predicting response to neoadjuvant chemotherapy in cervical cancer: possibilities of radiomic analysis of MR images

Capa

Citar

Texto integral

Acesso aberto Acesso aberto
Acesso é fechado Acesso está concedido
Acesso é fechado Somente assinantes

Resumo

Objective: To develop and validate a radiomic model for predicting tumor response to neoadjuvant chemotherapy (NACT) in patients with locally advanced cervical cancer (LACC) based on MR imaging.

Materials and methods: A total of 182 patients aged 27 to 49 years with disease stages IB3-IIB and IIIC1 (two patients with metastatic pelvic lymph node involvement) according to FIGO 2018 were retrospectively enrolled in the study. The patients underwent treatment at the Academician Kulakov National Medical Research Center for Obstetrics, Gynecology and Perinatology, Moscow from 2018 to 2023. Radiomic parameters were extracted from T2-weighted (T2-WI) and diffusion-weighted (DWI) MR images. The most statistically significant characteristics were selected using LASSO (Least Absolute Shrinkage and Selection Operator) linear regression. The construction of the prediction model was based on a combination of radiomic signs and clinical data. In order to assess the prognostic effectiveness and clinical benefit of the developed model, ROC and decision curve analysis were used.

Results: Two models for predicting response to NACT were developed in the study. The first model included isolated radiomic signs and demonstrated a sensitivity of 79.6% in the main and 85.7% in the test group, specificity 80.6% and 72.1%, respectively. AUC was 0.90 in the main group and 0.83 in the validation group. In order to improve the quality of the model, clinical data (maximum linear size and degree of tumor differentiation, age of the patients, presence of metastatic lymphatic nodes) were included in the nomogram in addition to radiomic parameters. Radiomic nomogram showed sensitivity of 87.8% and 71.4%; specificity of 88.8% and 97.7% in the main and test groups, respectively. AUC was 0.96 and 0.94.

Conclusion: The constructed radiomic model is effective in predicting the therapeutic response of NACT in cervical cancer.

Sobre autores

Alina Solopova

Academician V.I. Kulakov National Medical Research Centre for Obstetrics, Gynecology and Perinatology, Ministry of Health of Russia; I.M. Sechenov First Moscow State Medical University, Ministry of Health of Russia (Sechenov University)

Autor responsável pela correspondência
Email: dr.solopova@mail.ru
ORCID ID: 0000-0003-4768-115X
Scopus Author ID: 24460923200
Researcher ID: P-8659-2015

Dr. Med. Sci., Leading Researcher at the Radiology Department, Professor at the Department of Obstetrics, Gynecology and Perinatal Medicine

Rússia, 117997, Moscow, Ac. Oparin str., 4; 119991, Moscow, Trubetskaya str., 8, bld. 2

Bova Bendzhenova

Academician V.I. Kulakov National Medical Research Centre for Obstetrics, Gynecology and Perinatology, Ministry of Health of Russia

Email: dr.solopova@mail.ru
ORCID ID: 0009-0004-4744-0422

PhD student

Rússia, 117997, Moscow, Ac. Oparin str., 4

Svetlana Khokhlova

Academician V.I. Kulakov National Medical Research Centre for Obstetrics, Gynecology and Perinatology, Ministry of Health of Russia

Email: dr.solopova@mail.ru
ORCID ID: 0000-0002-4121-7228

Dr. Med. Sci., Head of Department of Antitumor Drug Therapy

Rússia, 117997, Moscow, Ac. Oparin str., 4

Bibliografia

  1. Bray F., Laversanne M., Sung H., Ferlay J., Siegel R.L., Soerjomataram I. et al. Global cancer statistics 2022: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. CA Cancer J. Clin. 2024; 74(3): 229-63. https://dx.doi.org/10.3322/caac.21834.
  2. Abu-Rustum N.R., Yashar C.M., Bean S., Bradley K., Campos S.M., Chon H.S. et al. NCCN Guidelines Insights: Cervical Cancer, Version 1.2020. J. Natl. Compr. Canc. Netw. 2020; 18(6): 660-6. https://dx.doi.org/10.6004/jnccn.2020.0027.
  3. Panici P.B., Di Donato V., Palaia I., Visentin V.S., Marchetti C., Perniola G. et al. Type B versus Type C radical hysterectomy after neoadjuvant chemotherapy in locally advanced cervical carcinoma: a propensity-matched analysis. Ann. Surg. Oncol. 2016; 23(7): 2176-82. https://dx.doi.org/10.1245/s10434-015-4996-z.
  4. Valentini A.L., Miccò M., Gui B., Giuliani M., Rodolfino E., Telesca A.M. et al. The PRICE study: The role of conventional and diffusion-weighted magnetic resonance imaging in assessment of locally advanced cervical cancer patients administered by chemoradiation followed by radical surgery. Eur. Radiol. 2018; 28(6): 2425-35. https://dx.doi.org/10.1007/s00330-017-5233-x.
  5. Рубцова Н.А., Березовская Т.П., Быченко В.Г., Павловская Е.А., Солопова А.Е., Агабабян Т.А., Ходжибекова М.М., Рыжкова Д.В., Чекалова М.А., Мешкова И.Е., Гажонова В.Е., Гус А.И., Багненко С.С., Медведева Б.М., Ашрафян Л.А., Новикова Е.Г., Берлев И.В., Демидова Л.В., Крикунова Л.И., Коломиец Л.А. Лучевая диагностика рака шейки матки. Консенсус экспертов. Медицинская визуализация. 2024; 28(1):141-56. [Rubtsova N.A., Berezovskaia T.P., Bychenko V.G., Pavlovskaya E.A., Solopova A.E., Agababyan T.A., Khodzhibekova M.M., Ryzhkova D.V., Chekalova M.A., Meshkova I.E., Gazhonova V.E., Gus A.I., Bagnenko S.S., Medvedeva B.M., Ashrafyan L.A., Novikova E.G., Berlev I.V., Demidova L.V., Krikunova L.I., Kolomiets L.A. Imaging of cervical cancer. Consensus of experts. Medical Visualization. 2024; 28(1): 141-56. (in Russian)]. https://dx.doi.org/10.24835/1607-0763-1341.
  6. Gadducci A., Cosio S. Neoadjuvant chemotherapy in locally advanced cervical cancer: review of the literature and perspectives of clinical research. Anticancer. Res. 2020; 40(9): 4819-28. https://dx.doi.org/10.21873/anticanres.14485.
  7. Wang Y.C., Hu D.Y., Hu X.M., Shen Y.Q., Meng X.Y., Tang H. et al. Assessing the early response of advanced cervical cancer to neoadjuvant chemotherapy using intravoxel incoherent motion diffusion-weighted magnetic resonance imaging: A pilot study. Chin. Med. J. (Engl.). 2016; 129(6): 665-71. https://dx.doi.org/10.4103/0366-6999.177995.
  8. Dolciami M., Capuani S., Celli V., Maiuro A., Pernazza A., Palaia I. et al. Intravoxel Incoherent Motion (IVIM) MR quantification in locally advanced cervical cancer (LACC): preliminary study on assessment of tumor aggressiveness and response to neoadjuvant chemotherapy. J. Pers. Med. 2022; 12(4): 638. https://dx.doi.org/10.3390/jpm12040638.
  9. Li M., Zhang J., Dan Y., Yao Y., Dai W., Cai G. et al. A clinical-radiomics nomogram for the preoperative prediction of lymph node metastasis in colorectal cancer. J. Transl. Med. 2020; 18(1): 46. https://dx.doi.org/10.1186/s12967-020-02215-0.
  10. Ciolina M., Vinci V., Villani L., Gigli S., Saldari M., Panici P.B. et al. Texture analysis versus conventional MRI prognostic factors in predicting tumor response to neoadjuvant chemotherapy in patients with locally advanced cancer of the uterine cervix. Radiol. Med. 2019; 124(10): 955-64. https://dx.doi.org/10.1007/s11547-019-01055-3.
  11. Sun C., Tian X., Liu Z., Li W., Li P., Chen J. et al. Radiomic analysis for pretreatment prediction of response to neoadjuvant chemotherapy in locally advanced cervical cancer: A multicentre study. EBioMedicine. 2019; 46: 160-9. https://dx.doi.org/10.1016/j.ebiom.2019.07.049.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML
Baixar
2. Fig. 1. CC IIA2 according to FIGO during NACT (observation interval 3 months), manual segmentation of the area of ​​interest. PR-RECIST 1.1. Partial answer. There is a decrease in tumor size (A - T2-weighted image in the sagittal and axial planes before treatment (area of ​​interest is highlighted); C, D - T2-weighted image in the sagittal and axial planes, residual tumor is highlighted after 3 courses of NACT)

Baixar (78KB)
Metadados
3. Fig. 2. CC IIA2 according to FIGO during NACT (observation interval 2.5 months), manual segmentation of the area of ​​interest. CR-RECIST 1.1. Complete response (A, B — T2-weighted images in the sagittal and axial planes before treatment; C, D — T2-weighted images in the sagittal and axial planes after 3 courses of NACT)

Baixar (829KB)
Metadados
4. Fig. 3. Radiomic feature selection process using LASSO algorithm. We obtained 16 features with non-zero coefficients that correlated with response to therapy

Baixar (258KB)
Metadados
5. Fig. 4. The significance of the parameters and the corresponding coefficients obtained by the linear regression method in the process of building the model

Baixar (432KB)
Metadados
6. Fig. 5. ROC curve of the model built using LASSO regression based on radiomic parameters

Baixar (420KB)
Metadados
7. Fig. 6. Radiomic nomogram constructed taking into account rad-score values, tumor size and differentiation, patient’s age and the presence of metastatic lymph nodes

Baixar (542KB)
Metadados
8. Fig. 7. ROC curve of radiomic nomogram

Baixar (417KB)
Metadados
9. Fig. 8. Nomogram Decision Curve Analysis

Baixar (176KB)
Metadados

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».