Published June 28, 2021
| Version v1
Publication
Open
Machine learning classification of texture features of MRI breast tumor and peri-tumor of combined pre- and early treatment predicts pathologic complete response
Creators
- 1. University of Azad Jammu and Kashmir
- 2. Stony Brook School
- 3. Stony Brook University
- 4. COMSATS University Islamabad
- 5. Kyung Hee University
- 6. Albert Einstein College of Medicine
- 7. Montefiore Medical Center
Description
This study used machine learning classification of texture features from MRI of breast tumor and peri-tumor at multiple treatment time points in conjunction with molecular subtypes to predict eventual pathological complete response (PCR) to neoadjuvant chemotherapy.This study employed a subset of patients (N = 166) with PCR data from the I-SPY-1 TRIAL (2002-2006). This cohort consisted of patients with stage 2 or 3 breast cancer that underwent anthracycline-cyclophosphamide and taxane treatment. Magnetic resonance imaging (MRI) was acquired pre-neoadjuvant chemotherapy, early, and mid-treatment. Texture features were extracted from post-contrast-enhanced MRI, pre- and post-contrast subtraction images, and with morphological dilation to include peri-tumoral tissue. Molecular subtypes and Ki67 were also included in the prediction model. Performance of classification models used the receiver operating characteristics curve analysis including area under the curve (AUC). Statistical analysis was done using unpaired two-tailed t-tests.Molecular subtypes alone yielded moderate prediction performance of PCR (AUC = 0.82, p = 0.07). Pre-, early, and mid-treatment data alone yielded moderate performance (AUC = 0.88, 0.72, and 0.78, p = 0.03, 0.13, 0.44, respectively). The combined pre- and early treatment data markedly improved performance (AUC = 0.96, p = 0.0003). Addition of molecular subtypes improved performance slightly for individual time points but substantially for the combined pre- and early treatment (AUC = 0.98, p = 0.0003). The optimal morphological dilation was 3-5 pixels. Subtraction of post- and pre-contrast MRI further improved performance (AUC = 0.98, p = 0.00003). Finally, among the machine-learning algorithms evaluated, the RUSBoosted Tree machine-learning method yielded the highest performance.AI-classification of texture features from MRI of breast tumor at multiple treatment time points accurately predicts eventual PCR. Longitudinal changes in texture features and peri-tumoral features further improve PCR prediction performance. Accurate assessment of treatment efficacy early on could minimize unnecessary toxic chemotherapy and enable mid-treatment modification for patients to achieve better clinical outcomes.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
استخدمت هذه الدراسة تصنيف التعلم الآلي لسمات النسيج من التصوير بالرنين المغناطيسي لورم الثدي وحول الورم في نقاط زمنية متعددة للعلاج بالتزامن مع الأنواع الفرعية الجزيئية للتنبؤ بالاستجابة الكاملة المرضية النهائية (PCR) للعلاج الكيميائي المساعد الجديد. استخدمت هذه الدراسة مجموعة فرعية من المرضى (N = 166) مع بيانات PCR من تجربة I - SPY -1 (2002-2006). وتألفت هذه المجموعة من المرضى الذين يعانون من المرحلة 2 أو 3 من سرطان الثدي الذين خضعوا لعلاج أنثراسيكلين- سايكلوفوسفاميد وتاكسان. تم الحصول على التصوير بالرنين المغناطيسي (MRI) قبل العلاج الكيميائي المساعد، في وقت مبكر، ومنتصف العلاج. تم استخراج ميزات الملمس من التصوير بالرنين المغناطيسي المحسن بعد التباين، وصور الطرح قبل وبعد التباين، ومع التمدد المورفولوجي لتشمل الأنسجة المحيطة بالورم. كما تم تضمين الأنواع الفرعية الجزيئية و Ki67 في نموذج التنبؤ. استخدم أداء نماذج التصنيف تحليل منحنى خصائص تشغيل جهاز الاستقبال بما في ذلك المساحة تحت المنحنى (AUC). تم إجراء التحليل الإحصائي باستخدام اختبارات t ثنائية الذيل غير المقترنة. أسفرت الأنواع الفرعية الجزيئية وحدها عن أداء تنبؤ معتدل لـ PCR (المساحة تحت المنحنى = 0.82، p = 0.07). أسفرت بيانات ما قبل المعالجة وفي وقت مبكر ومنتصفها وحدها عن أداء معتدل (المساحة تحت المنحنى = 0.88 و 0.72 و 0.78، p = 0.03 و 0.13 و 0.44 على التوالي). تحسنت بيانات العلاج المسبق والمبكر المجمعة بشكل ملحوظ في الأداء (المساحة تحت المنحنى = 0.96، p = 0.0003). أدت إضافة الأنواع الفرعية الجزيئية إلى تحسين الأداء بشكل طفيف للنقاط الزمنية الفردية ولكن بشكل كبير للمعالجة المجمعة السابقة والمبكرة (المساحة تحت المنحنى = 0.98، p = 0.0003). كان التمدد المورفولوجي الأمثل 3-5 بكسل. أدى طرح التصوير بالرنين المغناطيسي ما بعد وما قبل التباين إلى تحسين الأداء (المساحة تحت المنحنى = 0.98، p = 0.00003). أخيرًا، من بين خوارزميات التعلم الآلي التي تم تقييمها، أسفرت طريقة التعلم الآلي RUSBoosted Tree عن أعلى أداء. يتنبأ تصنيف الذكاء الاصطناعي لميزات النسيج من التصوير بالرنين المغناطيسي لورم الثدي في نقاط زمنية متعددة للعلاج بدقة تفاعل البوليميراز المتسلسل في نهاية المطاف. تعمل التغييرات الطولية في ميزات الملمس والميزات المحيطة بالورم على تحسين أداء التنبؤ بـ PCR. يمكن أن يؤدي التقييم الدقيق لفعالية العلاج في وقت مبكر إلى تقليل العلاج الكيميائي السام غير الضروري وتمكين تعديل منتصف العلاج للمرضى لتحقيق نتائج سريرية أفضل.Translated Description (French)
Cette étude a utilisé la classification par apprentissage automatique des caractéristiques de texture de l'IRM de la tumeur du sein et de la péri-tumorale à plusieurs moments du traitement en conjonction avec des sous-types moléculaires pour prédire l'éventuelle réponse pathologique complète (PCR) à la chimiothérapie néoadjuvante. Cette étude a utilisé un sous-ensemble de patients (N = 166) avec des données PCR de l'ESSAI I-SPY-1 (2002-2006). Cette cohorte était composée de patientes atteintes d'un cancer du sein de stade 2 ou 3 ayant subi un traitement par anthracycline-cyclophosphamide et taxane. L'imagerie par résonance magnétique (IRM) a été acquise par chimiothérapie pré-néoadjuvante, en début et en milieu de traitement. Les caractéristiques de texture ont été extraites de l'IRM post-contraste, des images de soustraction pré et post-contraste, et avec une dilatation morphologique pour inclure le tissu péri-tumoral. Les sous-types moléculaires et Ki67 ont également été inclus dans le modèle de prédiction. La performance des modèles de classification a utilisé l'analyse de la courbe des caractéristiques de fonctionnement du récepteur, y compris l'aire sous la courbe (ASC). L'analyse statistique a été effectuée à l'aide de tests t à deux queues non appariés. Les sous-types moléculaires seuls ont donné une performance de prédiction modérée de la PCR (ASC = 0,82, p = 0,07). Les données de pré-traitement, de traitement précoce et de traitement intermédiaire seules ont donné une performance modérée (ASC = 0,88, 0,72 et 0,78, p = 0,03, 0,13 et 0,44, respectivement). Les données combinées de pré-traitement et de traitement précoce ont nettement amélioré les performances (ASC = 0,96, p = 0,0003). L'ajout de sous-types moléculaires a légèrement amélioré les performances pour les points de temps individuels mais de manière substantielle pour le traitement combiné pré et précoce (ASC = 0,98, p = 0,0003). La dilatation morphologique optimale était de 3-5 pixels. La soustraction de l'IRM post- et pré-contraste a encore amélioré les performances (ASC = 0,98, p = 0,00003). Enfin, parmi les algorithmes d'apprentissage automatique évalués, la méthode d'apprentissage automatique RUSBoosted Tree a donné les performances les plus élevées. La classification IA des caractéristiques de texture de l'IRM de la tumeur du sein à plusieurs moments du traitement prédit avec précision l'éventuelle PCR. Les changements longitudinaux dans les caractéristiques de texture et les caractéristiques péri-tumorales améliorent encore les performances de prédiction par PCR. Une évaluation précise de l'efficacité du traitement à un stade précoce pourrait réduire au minimum la chimiothérapie toxique inutile et permettre une modification à mi-parcours du traitement pour que les patients obtiennent de meilleurs résultats cliniques.Translated Description (Spanish)
Este estudio utilizó la clasificación de aprendizaje automático de las características de textura de la RM de tumor de mama y peritumor en múltiples puntos de tiempo de tratamiento junto con subtipos moleculares para predecir la eventual respuesta patológica completa (PCR) a la quimioterapia neoadyuvante. Este estudio empleó un subconjunto de pacientes (N = 166) con datos de PCR del ENSAYO I-SPY-1 (2002-2006). Esta cohorte consistió en pacientes con cáncer de mama en estadio 2 o 3 que se sometieron a tratamiento con antraciclina-ciclofosfamida y taxano. La resonancia magnética (IRM) se adquirió antes de la quimioterapia adyuvante, al principio y a la mitad del tratamiento. Las características de la textura se extrajeron de imágenes de resonancia magnética mejoradas después del contraste, imágenes de sustracción antes y después del contraste y con dilatación morfológica para incluir tejido peritumoral. Los subtipos moleculares y Ki67 también se incluyeron en el modelo de predicción. El rendimiento de los modelos de clasificación utilizó el análisis de la curva de características operativas del receptor, incluido el área bajo la curva (AUC). El análisis estadístico se realizó utilizando pruebas t de dos colas no emparejadas. Los subtipos moleculares solos produjeron un rendimiento de predicción moderado de la PCR (AUC = 0,82, p = 0,07). Los datos previos, tempranos y a mitad del tratamiento por sí solos produjeron un rendimiento moderado (AUC = 0.88, 0.72 y 0.78, p = 0.03, 0.13, 0.44, respectivamente). Los datos combinados de pretratamiento y tratamiento temprano mejoraron notablemente el rendimiento (AUC = 0,96, p = 0,0003). La adición de subtipos moleculares mejoró ligeramente el rendimiento para puntos de tiempo individuales, pero sustancialmente para el tratamiento combinado previo y temprano (AUC = 0.98, p = 0.0003). La dilatación morfológica óptima fue de 3-5 píxeles. La resta de la resonancia magnética posterior y anterior al contraste mejoró aún más el rendimiento (AUC = 0.98, p = 0.00003). Finalmente, entre los algoritmos de aprendizaje automático evaluados, el método de aprendizaje automático RUSBoosted Tree produjo el rendimiento más alto. La clasificación AI de las características de textura de la resonancia magnética del tumor de mama en múltiples puntos de tiempo de tratamiento predice con precisión la PCR eventual. Los cambios longitudinales en las características de textura y las características peritumorales mejoran aún más el rendimiento de predicción de PCR. Una evaluación precisa de la eficacia del tratamiento desde el principio podría minimizar la quimioterapia tóxica innecesaria y permitir la modificación a mitad del tratamiento para que los pacientes logren mejores resultados clínicos.Files
s12938-021-00899-z.pdf
Files
(1.7 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:44131d0c011cd5ad2ced860f0dd7b9c4
|
1.7 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- يتنبأ تصنيف التعلم الآلي لسمات نسيج ورم الثدي بالتصوير بالرنين المغناطيسي والورم المحيط بالعلاج المشترك قبل العلاج وفي وقت مبكر بالاستجابة المرضية الكاملة
- Translated title (French)
- La classification par apprentissage automatique des caractéristiques de texture de la tumeur mammaire IRM et de la péri-tumorale du traitement combiné pré et précoce prédit la réponse pathologique complète
- Translated title (Spanish)
- La clasificación de aprendizaje automático de las características de textura del tumor de mama por resonancia magnética y el peritumor del tratamiento combinado previo y temprano predice la respuesta patológica completa
Identifiers
- Other
- https://openalex.org/W3173455369
- DOI
- 10.1186/s12938-021-00899-z
References
- https://openalex.org/W1483041752
- https://openalex.org/W1487637864
- https://openalex.org/W1531560764
- https://openalex.org/W1771067798
- https://openalex.org/W1953764758
- https://openalex.org/W1965120561
- https://openalex.org/W1967849786
- https://openalex.org/W1969574535
- https://openalex.org/W1969935486
- https://openalex.org/W1971361999
- https://openalex.org/W1977927254
- https://openalex.org/W1985351650
- https://openalex.org/W1991360699
- https://openalex.org/W2001088761
- https://openalex.org/W2001807302
- https://openalex.org/W2002352636
- https://openalex.org/W2003487000
- https://openalex.org/W2006816753
- https://openalex.org/W2021806873
- https://openalex.org/W2022452912
- https://openalex.org/W2025644430
- https://openalex.org/W2026103498
- https://openalex.org/W2035254679
- https://openalex.org/W2035790115
- https://openalex.org/W2037603696
- https://openalex.org/W2038833688
- https://openalex.org/W2040403168
- https://openalex.org/W2044074081
- https://openalex.org/W2048679005
- https://openalex.org/W2068782468
- https://openalex.org/W2075574347
- https://openalex.org/W2075894019
- https://openalex.org/W2079666190
- https://openalex.org/W2083670761
- https://openalex.org/W2085789144
- https://openalex.org/W2093265755
- https://openalex.org/W2096945460
- https://openalex.org/W2098141312
- https://openalex.org/W2100235303
- https://openalex.org/W2105501393
- https://openalex.org/W2108995755
- https://openalex.org/W2117438495
- https://openalex.org/W2118978333
- https://openalex.org/W2126552603
- https://openalex.org/W2131388069
- https://openalex.org/W2135107501
- https://openalex.org/W2136294701
- https://openalex.org/W2142674578
- https://openalex.org/W2144349513
- https://openalex.org/W2147908679
- https://openalex.org/W2149298154
- https://openalex.org/W2152856313
- https://openalex.org/W2155548388
- https://openalex.org/W2157706516
- https://openalex.org/W2161813919
- https://openalex.org/W2167460663
- https://openalex.org/W2167533099
- https://openalex.org/W2170590026
- https://openalex.org/W2182711918
- https://openalex.org/W2193435611
- https://openalex.org/W2233252100
- https://openalex.org/W2285388744
- https://openalex.org/W2287391121
- https://openalex.org/W2315269201
- https://openalex.org/W2405459681
- https://openalex.org/W2407812036
- https://openalex.org/W2411453649
- https://openalex.org/W2418258728
- https://openalex.org/W2472152456
- https://openalex.org/W2473614467
- https://openalex.org/W2580425508
- https://openalex.org/W2588797718
- https://openalex.org/W2590019597
- https://openalex.org/W2592953314
- https://openalex.org/W2606167931
- https://openalex.org/W2606436201
- https://openalex.org/W2738681903
- https://openalex.org/W2761075141
- https://openalex.org/W2773413394
- https://openalex.org/W2794284069
- https://openalex.org/W2794450418
- https://openalex.org/W2883653708
- https://openalex.org/W2887924068
- https://openalex.org/W2898574163
- https://openalex.org/W2899287920
- https://openalex.org/W2954058749
- https://openalex.org/W2990128693
- https://openalex.org/W2996442076
- https://openalex.org/W3000072063
- https://openalex.org/W3000403221
- https://openalex.org/W3091459859
- https://openalex.org/W58801888
- https://openalex.org/W600208884