Ressonância magnética mamária e radiomics na avaliação da resposta à quimioterapia neoadjuvante em pacientes com cancro da mama

Abstract

O cancro da mama é a neoplasia maligna mais comum no sexo feminino e uma das principais causas de morte a nível mundial. É uma doença multifatorial e o diagnóstico precoce permite reduzir, a longo prazo, as taxas de mortalidade associadas. A quimioterapia neoadjuvante (QTN) está indicada em casos de doença localmente avançada, e a resposta à terapêutica pode ser avaliada através de Ressonância Magnética (RM) mamária multiparamétrica. A radiomics pretende detetar alterações não identificadas visualmente, através da extração de características, e os modelos de Machine Learning (ML) estabelecer relações entre as características extraídas, características clínicas e endpoints clínicos. O presente estudo teve como objetivo geral avaliar a capacidade da radiomics e do modelo random forest (RF) em estabelecer relações entre as características radiómicas, clínicas e endpoints clínicos, de 86 pacientes com cancro da mama, submetidos a QTN, que realizaram RM mamária. Foram analisadas regiões de interesse (ROIs) de imagens ponderadas em T1 com contraste, tendo em conta a região tumoral que capta contraste, através das características de entropia e do histograma de intensidades. Avaliaram-se características como a resposta patológica completa (pCR), o índice RCB (Residual Cancer Burden), a classificação hormonal, a sobrevivência e a sobrevivência livre de recorrência (RFS). Os resultados indicam que, para as várias análises, as características clínicas se sobrepõem às radiómicas. Conclui-se que, deve-se incluir na análise radiómica todo o tumor, e eventualmente o restante tecido mamário, assim como imagens ponderadas em T2 e difusão para que as características radiómicas possam ser mais evidenciadas.

Breast cancer is the most common malignant neoplasm in females and one of the main causes of death worldwide. It is a multifactorial disease and early diagnosis allows for a long-term reduction in associated mortality rates. Neoadjuvant chemotherapy (NAC) is indicated in cases of locally advanced disease, and the response to therapy can be assessed using multiparametric breast Magnetic Resonance Imaging (MRI). Radiomics aims to detect visually unidentified changes through feature extraction, and Machine Learning (ML) models establish relationships between extracted features, clinical features, and clinical endpoints. The present study intends to evaluate the ability of radiomics and the random forest (RF) model to establish relationships between radiomic characteristics, clinical and clinical endpoints, of 86 patients with breast cancer, undergoing NAC, who underwent breast MRI. Regions of interest (ROIs) of contrast-enhanced T1-weighted images were analyzed, considering the tumor region that captures contrast, through entropy features and intensities histogram. Features such as pathological complete response (pCR), RCB index (Residual Cancer Burden), hormonal classification, survival, and recurrence-free survival (RFS) were evaluated. The results show that, for the various analyses, the clinical features overlapped the radiomics ones. It is concluded that the entire tumor, and eventually the remaining breast tissue, should be included in the radiological analysis, as well as T2-weighted and diffusion-weighted images so that the radiological features can be more evident.