[论文解读] Deep learning-based prediction of response to HER2-targeted neoadjuvant chemotherapy from pre-treatment dynamic breast MRI: A multi-institutional validation study

Nathaniel Braman, Mohammed El Adoui+11 more|Repository of the University of Namur|Jan 22, 2020

Radiomics and Machine Learning in Medical Imaging参考文献 52被引用 14

一句话总结

本研究开发了一种深度学习模型，利用治疗前动态对比增强（DCE）MRI预测HER2阳性乳腺癌患者接受HER2靶向新辅助化疗后的病理完全缓解（pCR）。多中心验证显示，该模型在独立测试队列中的AUC分别为0.85和0.77，优于临床模型和药代动力学模型。

ABSTRACT

Predicting response to neoadjuvant therapy is a vexing challenge in breast cancer. In this study, we evaluate the ability of deep learning to predict response to HER2-targeted neo-adjuvant chemotherapy (NAC) from pre-treatment dynamic contrast-enhanced (DCE) MRI acquired prior to treatment. In a retrospective study encompassing DCE-MRI data from a total of 157 HER2+ breast cancer patients from 5 institutions, we developed and validated a deep learning approach for predicting pathological complete response (pCR) to HER2-targeted NAC prior to treatment. 100 patients who received HER2-targeted neoadjuvant chemotherapy at a single institution were used to train (n=85) and tune (n=15) a convolutional neural network (CNN) to predict pCR. A multi-input CNN leveraging both pre-contrast and late post-contrast DCE-MRI acquisitions was identified to achieve optimal response prediction within the validation set (AUC=0.93). This model was then tested on two independent testing cohorts with pre-treatment DCE-MRI data. It achieved strong performance in a 28 patient testing set from a second institution (AUC=0.85, 95% CI 0.67-1.0, p=.0008) and a 29 patient multicenter trial including data from 3 additional institutions (AUC=0.77, 95% CI 0.58-0.97, p=0.006). Deep learning-based response prediction model was found to exceed a multivariable model incorporating predictive clinical variables (AUC < .65 in testing cohorts) and a model of semi-quantitative DCE-MRI pharmacokinetic measurements (AUC < .60 in testing cohorts). The results presented in this work across multiple sites suggest that with further validation deep learning could provide an effective and reliable tool to guide targeted therapy in breast cancer, thus reducing overtreatment among HER2+ patients.

研究动机与目标

• 开发一种基于治疗前DCE-MRI的深度学习模型，以预测HER2阳性乳腺癌患者接受HER2靶向新辅助化疗后的病理完全缓解（pCR）。
• 在多个机构间验证该模型，以评估其泛化能力和鲁棒性。
• 将深度学习模型的性能与传统的临床模型和半定量药代动力学模型进行比较。
• 评估通过深度学习提取的放射学特征是否能超越标准临床变量，进一步提高预测准确性。

提出的方法

• 在单一机构的100名HER2+患者中，使用治疗前和延迟增强后DCE-MRI序列，训练了一个多输入卷积神经网络（CNN）。
• 模型在85名患者上进行训练和调优，15名患者用于验证，使用治疗前和增强后两种输入时性能最佳。
• 最终模型在两个独立队列中进行测试：一个来自第二家机构（n=28），另一个来自三家额外机构的多中心临床试验（n=29）。
• 通过受试者工作特征曲线下面积（AUC）评估性能，报告95%置信区间和p值。
• 使用相同的测试集，将模型与多变量临床模型和半定量药代动力学模型进行比较。

实验结果

研究问题

• RQ1 基于治疗前DCE-MRI训练的深度学习模型能否准确预测HER2阳性乳腺癌患者的pCR？
• RQ2 该模型在具有不同成像协议和患者人群的多个机构间是否具有良好的泛化能力？
• RQ3 与标准临床模型和药代动力学模型相比，深度学习模型在预测pCR方面的表现如何？
• RQ4 同时包含治疗前和延迟增强后DCE-MRI序列是否对实现最佳预测性能至关重要？

主要发现

• 在内部验证队列中，深度学习模型的AUC达到0.93，表明其具有强大的预测性能。
• 在第二家机构的28例独立队列中，模型AUC为0.85（95%置信区间：0.67–1.0，p=0.0008）。
• 在三家额外机构参与的29例多中心临床试验队列中，模型AUC为0.77（95%置信区间：0.58–0.97，p=0.006）。
• 在两个独立测试队列中，深度学习模型显著优于多变量临床模型（AUC < 0.65）和半定量药代动力学模型（AUC < 0.60）。
• 结合治疗前和延迟增强后序列的多输入CNN被确定为响应预测的最佳网络架构。