Quantification de l'hétérogénéité intratumorale chez les souris et les patients par machine
Nature Biomedical Engineering (2023)Citer cet article
47 Accès
8 Altmétrique
Détails des métriques
En oncologie, l'hétérogénéité intratumorale est étroitement liée à l'efficacité du traitement et peut être partiellement caractérisée par des biopsies tumorales. Ici, nous montrons que l'hétérogénéité intratumorale peut être caractérisée spatialement via des classificateurs d'apprentissage multi-vues spécifiques au phénotype formés avec des données de tomographie par émission de positons dynamique (TEP) et d'imagerie par résonance magnétique multiparamétrique (IRM). Les classificateurs formés avec les données PET-IRM de souris atteintes d'un cancer du côlon sous-cutané ont quantifié les changements phénotypiques résultant d'une thérapeutique ciblée induisant l'apoptose et ont fourni des cartes de probabilité biologiquement pertinentes des sous-types de tissus tumoraux. Appliqués aux données rétrospectives de TEP-IRM de patients présentant des métastases hépatiques d'un cancer colorectal, les classificateurs formés ont caractérisé les sous-régions tissulaires intratumorales en accord avec l'histologie tumorale. La caractérisation spatiale de l'hétérogénéité intratumorale chez les souris et les patients via l'imagerie multimodale et multiparamétrique assistée par l'apprentissage automatique peut faciliter les applications en oncologie de précision.
Ceci est un aperçu du contenu de l'abonnement, accès via votre établissement
Accédez à Nature et à 54 autres revues Nature Portfolio
Obtenez Nature+, notre abonnement d'accès en ligne au meilleur rapport qualité-prix
29,99 $ / 30 jours
annuler à tout moment
Abonnez-vous à cette revue
Recevez 12 numéros numériques et un accès en ligne aux articles
79,00 $ par année
seulement 6,58 $ par numéro
Louer ou acheter cet article
Obtenez uniquement cet article aussi longtemps que vous en avez besoin
39,95 $
Les prix peuvent être soumis à des taxes locales qui sont calculées lors du paiement
Les principales données à l'appui des résultats de cette étude sont disponibles dans le document et ses informations supplémentaires. Les données précliniques sont disponibles auprès de l'auteur correspondant sur demande raisonnable. Les données cliniques ne peuvent pas être partagées en raison des obligations de confidentialité des patients.
Le cas échéant, les méthodes par défaut de MATLAB ont été utilisées pour les analyses d'apprentissage automatique. Un code personnalisé pour la visualisation et le traitement des données est disponible sur demande auprès de l'auteur correspondant.
Eisenhauer, EA et al. Nouveaux critères d'évaluation de la réponse dans les tumeurs solides : guideline RECIST révisée (version 1.1). EUR. J. Cancer 45, 228-247 (2009).
Article CAS PubMed Google Scholar
O'Connor, JPB et al. Feuille de route des biomarqueurs d'imagerie pour les études sur le cancer. Nat. Rév. Clin. Oncol. 14, 169-186 (2016).
Article PubMed PubMed Central Google Scholar
Judenhofer, MS et al. TEP-IRM simultanée : une nouvelle approche pour l'imagerie fonctionnelle et morphologique. Nat. Méd. 14, 459–465 (2008).
Article CAS PubMed Google Scholar
Disselhorst, JA, Bezrukov, I., Kolb, A., Parl, C. et Pichler, BJ Principes de l'imagerie PET/MR. J. Nucl. Méd. 55, 2S–10S (2014).
Article PubMed Google Scholar
Bailey, DL et al. TEP/IRM combinées : le vrai travail ne fait que commencer. Rapport sommaire du troisième atelier international sur l'imagerie TEP/IRM ; Du 17 au 21 février 2014, Tübingen, Allemagne. Mol. Imagerie Biol. 17, 297-312 (2015).
Article CAS PubMed PubMed Central Google Scholar
Gillies, RJ & Beyer, T. TEP et IRM : le tout est-il supérieur à la somme de ses parties ? Cancer Rés. 76, 6163–6166 (2016).
Article CAS PubMed PubMed Central Google Scholar
Schmitz, J. et al. Décodage de l'hétérogénéité intratumorale du cancer du sein par imagerie multiparamétrique in vivo : une étude translationnelle. Cancer Rés. 76, 5512–5522 (2016).
Article CAS PubMed PubMed Central Google Scholar
O'Connor, JPB et al. Imagerie hétérogénéité intratumorale : rôle dans la réponse thérapeutique, la résistance et les résultats cliniques. Clin. Cancer Rés. 21, 249-257 (2015).
Article PubMed Google Scholar
Napel, S., Mu, W., Jardim-Perassi, BV, Aerts, HJWL & Gillies, RJ Imagerie quantitative du cancer à l'ère postgénomique : radio(géno)mique, apprentissage en profondeur et habitats. Cancer 124, 4633–4649 (2018).
Heinzmann, K., Carter, LM, Lewis, JS & Aboagye, EO Imagerie multiplexée pour le diagnostic et la thérapie. Nat. Biomédical. Eng 1, 697–713 (2017).
Article PubMed Google Scholar
Junttila, MR & de Sauvage, FJ Influence de l'hétérogénéité du micro-environnement tumoral sur la réponse thérapeutique. Nature 501, 346-354 (2013).
Article CAS PubMed Google Scholar
Schmidt, H. et al. Corrélation de l'imagerie pondérée en diffusion acquise simultanément et de la tomographie par émission de positons au 2-désoxy-[18F] fluoro-2-D-glucose des lésions pulmonaires dans un système de tomographie par résonance magnétique/émission de positons du corps entier. Investir. Radiol. 48, 247-255 (2013).
Article PubMed Google Scholar
Divine, MR et al. Un modèle de mélange gaussien basé sur la population incorporant la TEP au 18F-FDG et l'IRM pondérée en diffusion quantifie les classes de tissus tumoraux. J. Nucl. Méd. 57, 473–479 (2016).
Article CAS PubMed Google Scholar
Kim, J., Ryu, SY, Lee, SH, Lee, HY et Park, H. Approche de regroupement pour identifier l'hétérogénéité intratumorale combinant FDG PET et IRM pondérée en diffusion dans l'adénocarcinome pulmonaire. EUR. Radiol. 29, 468–475 (2019).
Article PubMed Google Scholar
Stoyanova, R. et al. Association des caractéristiques d'imagerie quantitative IRM multiparamétrique avec l'expression des gènes du cancer de la prostate dans les biopsies de la prostate ciblées par IRM. Oncocible 7, 53362–53376 (2016).
Article PubMed PubMed Central Google Scholar
Katiyar, P. et al. Une nouvelle approche de segmentation non supervisée quantifie les populations de tissus tumoraux par IRM multiparamétrique : premiers résultats avec validation histologique. Mol. Imagerie Biol. 19, 391–397 (2017).
Article PubMed Google Scholar
Katiyar, P. et al. Le regroupement spectral prédit l'hétérogénéité des tissus tumoraux à l'aide de la TEP dynamique au 18 F-FDG : un complément à l'approche standard de modélisation compartimentale. J. Nucl. Méd. 58, 651–657 (2017).
Article CAS PubMed Google Scholar
Carano, RAD et al. Quantification des populations de tissus tumoraux par analyse multispectrale. Magn. Réson. Méd. 51, 542-551 (2004).
Article PubMed Google Scholar
Berry, LR et al. Quantification des caractéristiques microvasculaires tumorales viables par analyse multispectrale. Magn. Réson. Méd. 60, 64–72 (2008).
Article PubMed Google Scholar
Barck, KH et al. Détection de tissu tumoral viable dans le cancer du sein métastatique murin par IRM corps entier et analyse multispectrale. Magn. Réson. Méd. 62, 1423–1430 (2009).
Article PubMed Google Scholar
Henning, EC, Azuma, C., Sotak, CH & Helmer, KG Quantification multispectrale des types de tissus dans un modèle de tumeur RIF-1 avec validation histologique. Partie I. Magn. Réson. Méd. 57, 501–512 (2007).
Article PubMed Google Scholar
Schölkopf, B. Intelligence artificielle : apprendre à voir et à agir. Nature 518, 486–487 (2015).
Article PubMed Google Scholar
de Vries, EGE et al. Intégrer l'imagerie nucléaire moléculaire dans la recherche clinique pour améliorer la thérapie anticancéreuse. Nat. Rév. Clin. Oncol. 16, 241–255 (2019).
Article PubMed Google Scholar
Siegemund, M. et al. Activité antitumorale supérieure des protéines de fusion TRAIL à chaîne unique ciblées dimérisées sous maintien de la sélectivité tumorale. Mort cellulaire Dis. 3, e295 (2012).
Article CAS PubMed PubMed Central Google Scholar
Gillies, RJ, Kinahan, PE & Hricak, H. Radiomics : les images sont plus que des images, ce sont des données. Radiologie 278, 563–577 (2016).
Article PubMed Google Scholar
Aerts, HJWL et al. Décodage du phénotype tumoral par imagerie non invasive à l'aide d'une approche de radiomique quantitative. Nat. Commun. 5, 4006 (2014).
Article CAS PubMed Google Scholar
Kumar, V. et al. Radiomics: le processus et les défis. Magn. Réson. Imagerie 30, 1234-1248 (2012).
Article PubMed PubMed Central Google Scholar
Stewart, GD et al. Le traitement par sunitinib exacerbe l'hétérogénéité intratumorale dans le cancer du rein métastatique. Clin. Cancer Rés. 21, 4212–4223 (2015).
Article CAS PubMed Google Scholar
Lee, BS et al. Thérapie ciblée sur le phénotype induit : chimiothérapie ciblée sur l'apoptose radio-induite. J. Natl Cancer Inst. 107, dju403 (2015).
Article PubMed Google Scholar
Disselhorst, JA et al. Relier l'imagerie aux omiques en utilisant l'extraction de tissus guidée par l'image. Proc. Natl Acad. Sci. États-Unis 115, E2980–E2987 (2018).
Article CAS PubMed PubMed Central Google Scholar
Jaffray, DA Radiothérapie guidée par l'image : du concept actuel aux perspectives futures. Nat. Rév. Clin. Oncol. 9, 688–699 (2012).
Article CAS PubMed Google Scholar
Hynynen, K. MRIgHIFU : un outil pour la thérapeutique guidée par l'image. J. Magn. Réson. Imagerie 34, 482–493 (2011).
Article PubMed Google Scholar
Reinke, A. et al. Limitations courantes des métriques de traitement d'image : une histoire d'image. Préimpression sur https://arxiv.org/abs/2104.05642 (2021).
Bouton, KS et al. Panne de courant : pourquoi la petite taille de l'échantillon compromet la fiabilité des neurosciences. Nat. Rév. Neurosci. 14, 365–376 (2013).
Article CAS PubMed Google Scholar
Sequist, LV et al. Évolution génotypique et histologique des cancers du poumon acquérant une résistance aux inhibiteurs de l'EGFR. Sci. Trad. Méd. 3, 75ra26 (2011).
Article PubMed PubMed Central Google Scholar
Hodi, FS et al. Évaluation des critères de réponse immunitaire et RECIST v1.1 chez les patients atteints de mélanome avancé traités par pembrolizumab. J.Clin. Oncol. 34, 1510-1517 (2016).
Article CAS PubMed PubMed Central Google Scholar
Veuthey, TV, Herrera, G. & Dodero, VI Colorants et colorations : de la structure moléculaire à l'application histologique. Devant. Biosci. 19, 91-112 (2014).
Article CAS Google Scholar
Robe, AM & Willingham, MC Amélioration de la détection des cellules apoptotiques dans les coupes de paraffine d'archives : immunohistochimie utilisant des anticorps contre la caspase clivée 3. J. Histochem. Cytochem. 50, 449–454 (2002).
Article CAS PubMed Google Scholar
Austyn, JM & Gordon, S. F4/80, un anticorps monoclonal dirigé spécifiquement contre le macrophage de souris. EUR. J. Immunol. 11, 805–815 (1981).
Article CAS PubMed Google Scholar
Dubuisson, M.-P. & Jain, AK Une distance de Hausdorff modifiée pour la correspondance d'objets. Dans Proc. 12e Conférence internationale sur la reconnaissance de formes 566–568 (IEEE, 1994).
Dice, LR Mesures de la quantité d'association écologique entre les espèces. Écologie 26, 297–302 (1945).
Article Google Scholar
von Luxburg, U. Un tutoriel sur le regroupement spectral. Statistique. Calcul. 17, 395–416 (2007).
Article Google Scholar
Kumar, A. & Daumé, H. Une approche de co-formation pour le regroupement spectral multi-vues. Dans Proc. 28e Conférence internationale sur l'apprentissage automatique (ICML-11) 393–400 (ACM, 2011).
Strobl, C., Boulesteix, A.-L., Zeileis, A. & Hothorn, T. Biais dans les mesures aléatoires d'importance des variables forestières : illustrations, sources et solution. BMC Bioinformatique 8, 25 (2007).
Article PubMed PubMed Central Google Scholar
Télécharger les références
Nous remercions S. Castaneda Vega du Werner Siemens Imaging Center pour son aide dans l'analyse d'image et M. Siegemund de l'Université de Stuttgart pour son soutien à la thérapie Db-scTRAIL. Le BJP a reçu un soutien pour la recherche décrite dans cette étude du septième programme-cadre de l'Union européenne (FP7/2007-2013) dans le cadre de la convention de subvention du Conseil européen de la recherche numéro 323196 (ImageLink) et de la Deutsche Forschungsgemeinschaft (DFG, Fondation allemande pour la recherche) dans le cadre de la stratégie d'excellence allemande (EXC-2180390900677). BS est membre du pôle d'excellence "Machine Learning in the Sciences" financé par la Deutsche Forschungsgemeinschaft dans le cadre de la stratégie d'excellence allemande - numéro EXC 2064/1 - numéro de projet 390727645.
Centre d'imagerie Werner Siemens, Département d'imagerie préclinique et de radiopharmacie, Université Eberhard Karls Tübingen, Tübingen, Allemagne
Prateek Katiyar, Johannes Schwenck, Mathew R. Divine, Vaibhav Agrawal, Bernd J. Pichler et Jonathan A. Disselhorst
Institut Max Planck pour les systèmes intelligents, Tübingen, Allemagne
Prateek Katiyar, Vaibhav Agrawal & Bernhard Schölkopf
Pôle d'excellence iFIT (EXC 2180) 'Thérapies tumorales guidées par l'image et instruites fonctionnellement', Université Eberhard Karls Tübingen, Tübingen, Allemagne
Johannes Schwenck, Sergio Gatidis, Alfred Königsrainer, Leticia Quintanilla-Martinez, Christian la Fougère, Bernhard Schölkopf, Bernd J. Pichler & Jonathan A. Disselhorst
Département de médecine nucléaire et d'imagerie moléculaire clinique, Université Eberhard Karls Tübingen, Tübingen, Allemagne
Johannes Schwenck & Christian la Fougère
Institut de pathologie et de neuropathologie, Université Eberhard Karls de Tübingen et Comprehensive Cancer Center, University Hospital Tübingen, Tübingen, Allemagne
Léonie Frauenfeld, Ursula Kohlhofer & Leticia Quintanilla-Martinez
Département de radiologie, Université Eberhard Karls Tübingen, Tübingen, Allemagne
Sergios Gatidis
Institut de biologie cellulaire et d'immunologie, SRCSB, Université de Stuttgart, Stuttgart, Allemagne
Roland Kontermann
Département de chirurgie générale, viscérale et de transplantation, Hôpital universitaire de Tübingen, Tübingen, Allemagne
Alfred Koenigsrainer
Consortium allemand contre le cancer (DKTK) et Centre allemand de recherche sur le cancer (DKFZ), Heidelberg, Allemagne
Christian la Fougère & Bernd J. Pichler
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
Vous pouvez également rechercher cet auteur dans PubMed Google Scholar
PK, JAD, MRD et BJP ont conçu l'imagerie préclinique et les expériences ex vivo. JAD et MRD ont collecté les données d'imagerie précliniques. JS, SG et ClF ont conceptualisé et réalisé le travail d'imagerie clinique. LF, Royaume-Uni et LQ-M. effectué le travail d'histopathologie et écrit les résultats de la pathologie. RK a fourni la thérapie Db-scTRAIL. AK a effectué l'opération. PK, JAD, BS et BJP ont conçu le pipeline algorithmique d'apprentissage automatique. PK a réalisé les expériences d'apprentissage automatique et préparé toutes les figures. PK, VA et JS ont effectué l'analyse des données. PK, JS, LF, UK, LQ-M., JAD et BJP ont rédigé l'article. Tous les auteurs ont contribué à la version finale de l'article.
Correspondance à Bernd J. Pichler.
PK travaille aux Instituts Novartis pour la recherche biomédicale sur l'intelligence artificielle et l'apprentissage automatique. JAD travaille chez Siemens Healthineers. BS a une entreprise dérivée et travaille avec plusieurs entreprises sur l'intelligence artificielle et l'apprentissage automatique. BJP a plusieurs collaborations de recherche avec Siemens, Bruker et de plus grandes sociétés pharmaceutiques. Cependant, aucune de ces affiliations n'est directement liée à ce travail. Les autres auteurs ne déclarent aucun intérêt concurrent. RK est un inventeur nommé sur les brevets couvrant la technologie TRAIL et consultant auprès d'Immatics, Roche, SunRock et Oncomatryx.
Nature Biomedical Engineering remercie Nathaniel Braman, Faisal Mahmood et Natarajan Raghunand pour leur contribution à l'examen par les pairs de ce travail.
Note de l'éditeur Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.
a, de gauche à droite : colorations A-Casp-3 et F4-80 d'un exemple de tumeur Th-24. Les images en médaillon montrent des macrophages présents en bordure et dans la zone fibreuse de la tumeur. b, Les encarts MT montrent deux régions non apoptotiques de la tumeur Th-24 qui consistent principalement en tissu fibreux lâche. c, L'encart H&E montre en outre une petite région nécrotique présente au sommet de la tumeur.
De gauche à droite, paires de colonnes : Cartes de probabilité viable, NF et d'apoptose du CRLM illustrées à la Fig. 6, prédites par les classificateurs PET et IRM. Pour les deux modèles, les valeurs de probabilité de chaque voxel sur les cartes de tous les phénotypes totalisent un.
Le diagramme de corrélation de Pearson illustrant la relation entre les fractions tissulaires viables et NF prédites par les classificateurs a, PET/MRI, b, IRM et c, PET Random Forest et les évaluations de vérité terrain effectuées par le pathologiste à l'aide de l'histologie tumorale. Les coefficients de corrélation sont indiqués par le symbole ρ. Pour chaque lame d'histologie, le classificateur a prédit que les fractions viables, d'apoptose et de tissu NF totalisaient 1,0.
En colonne, de gauche à droite : histologie H&E, A-Casp-3 et MT de six tumeurs représentatives de l'ensemble de tests, et les cartes phénotypiques correspondantes prédites par les classificateurs PET/MRI et PET/MRITOP. Le modèle PET/MRITOP a été formé à l'aide des données de formation combinées des huit caractéristiques PET/IRM les plus pertinentes, illustrées à la Fig. 4g. Les paires supérieures, médianes et inférieures des tumeurs appartiennent respectivement aux groupes de test Contrôle, Th-24 et Th-72. Les cartes phénotypiques sont des cartes de probabilité conjointes qui ont été codées par couleur en fonction de la carte de couleur de la classe de tissu tumoral indiquée dans la clé. Ainsi, les classificateurs formés ont attribué de manière probabiliste chaque voxel dans les cartes phénotypiques à l'une des trois classes phénotypiques. Les flèches de couleur dans l'histologie indiquent la classe phénotypique respective. L'image du premier encadré montre un patch de la tumeur témoin contenant du tissu tumoral viable et de la nécrose. Le deuxième encart illustre des faisceaux de cellules tumorales viables réparties dans une région largement apoptotique de la tumeur Th-24. Enfin, l'image du troisième encart montre le microenvironnement très complexe de la tumeur Th-72.
En colonne, de gauche à droite : histologie H&E de quatre CRLM chacun réséqué d'un patient différent, les cartes phénotypiques correspondantes prédites par les classificateurs PETTOP, MRITOP, PET/MRITOP et PET/MRI, et les cartes de probabilité pondérées de chaque phénotype pour le modèle PET/MRITOP. Le modèle PET/MRITOP a été formé à l'aide des données de formation combinées des huit caractéristiques PET/IRM les plus pertinentes, illustrées à la Fig. 4g. Alors que les modèles PETTOP et MRITOP ont été formés en utilisant les caractéristiques pertinentes uniquement à partir des modalités respectives. Les lignes pleines répartissent les exemples présentés par patient et les contours bleus dans l'histologie isolent la tumeur du tissu hépatique. La métastase de la troisième rangée était trop volumineuse pour être traitée sur une seule lame histologique et a donc dû être sectionnée en trois morceaux distincts. Les lignes noires en pointillés dans l'image H&E cousue montrent les bordures des unités tumorales séparées. Les cartes phénotypiques sont des cartes de probabilité conjointes qui ont été codées par couleur en fonction de la carte de couleur de la classe de tissu tumoral indiquée dans la clé. Ainsi, les classificateurs formés ont attribué de manière probabiliste chaque voxel dans les cartes phénotypiques à l'une des trois classes phénotypiques. Les flèches à code couleur dans l'histologie indiquent la classe phénotypique respective, tandis que la flèche blanche pointe vers la région tumorale qui a été faussement classée par tous les modèles. Les quatre encarts montrent des régions tumorales viables dans le CRLM largement nécrotique. Les cartes de probabilité pondérées du classificateur TEP/IRM sont présentées à la Fig. 6.
Le flux de travail MSC comprenait globalement trois étapes d'analyse. Les première et deuxième étapes ont utilisé le regroupement spectral pour segmenter les données IRM multiparamétriques et TEP dynamiques au 18F-FDG, respectivement. Dans la troisième étape, les informations complémentaires des deux étapes précédentes ont été combinées pour obtenir les cartes PET/IRM de l'hétérogénéité intratumorale. WMRI et WPET désignent les matrices d'affinité qui ont donné les résultats de regroupement optimaux pour les modalités associées. La matrice d'affinité TEP/IRM, WPET/MRI, a été obtenue en utilisant une combinaison convexe des matrices des deux vues, où le paramètre α régulait l'influence de chaque vue. Les paramètres optimaux à chaque étape ont été sélectionnés sur la base d'une recherche de grille pour maximiser le DSC entre les cartes de regroupement d'histologie et d'imagerie.
Méthodes et références supplémentaires.
Springer Nature ou son concédant (par exemple une société ou un autre partenaire) détient les droits exclusifs sur cet article en vertu d'un accord de publication avec le ou les auteurs ou autre(s) titulaire(s) des droits ; l'auto-archivage par l'auteur de la version manuscrite acceptée de cet article est uniquement régi par les termes de cet accord de publication et la loi applicable.
Réimpressions et autorisations
Katiyar, P., Schwenck, J., Frauenfeld, L. et al. Quantification de l'hétérogénéité intratumorale chez les souris et les patients via des modèles d'apprentissage automatique entraînés sur des données PET-IRM. Nat. Biomédical. Eng (2023). https://doi.org/10.1038/s41551-023-01047-9
Télécharger la citation
Reçu : 05 janvier 2021
Accepté : 26 avril 2023
Publié: 05 juin 2023
DOI : https://doi.org/10.1038/s41551-023-01047-9
Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :
Désolé, aucun lien partageable n'est actuellement disponible pour cet article.
Fourni par l'initiative de partage de contenu Springer Nature SharedIt