Pretreatment Prediction of Pathologic Complete Response (pCR) to Neoadjuvant Chemotherapy (NAC) for ER+ HER2- Locally Advanced Breast Cancer (LABC)

Abstract

Objective: To predict the optimal patients who can achieve pathologic complete response (pCR) after neoadjuvant chemotherapy (NAC) before starting treatment for the ER+ HER2- locally advanced breast cancer (LABC) patient group, which is currently known to have a poor response to NAC. Methods: This retrospective study was conducted on 265 patients who were diagnosed with ER+ HER2- LABC, underwent pretreatment magnetic resonance imaging (MRI) and performed NAC and whose final pathology was confirmed by surgery at our hospital between 2010 and 2020. Based on January 2016, the day of pretreatment MRI, the patients were divided into the training and validation cohorts. In this study, the volume of interest (VOI) was drawn for the tumoral and peritumoral regions in the pretreatment MRI, and three MRI sequences were used; T1-weighted fat-suppressed early and delayed post-contrast subtraction sequences (Ph2 and Ph6, respectively) and T2-weighted fat-suppressed sequence (T2FS). Seven machine learning models were constructed on the tumoral, peritumoral and tumoral + peritumoral texture features from each sequence, and models equally created by combining with one another across two different sequences. The same process was applied in constructing the models incorporating the clinical factors including patient age, tumor size and ER and PR expression rates. The pCR prediction performance was evaluated and compared for all models based on receiver operator characteristic curve and area under the curve (AUC) values. Results: A total of 7,533 texture features were obtained from the VOIs of three pretreatment MRI sequences. Among the models for a single sequence, the SVM model on the tumor + peritumor 1 mm VOIs in the Ph2 demonstrated superior performance (AUC=0.9447). And the K-Nearest Neighbor combination model on the tumor + peritumor 1 mm VOIs in Ph2 and on the peritumor 3 mm VOI in the T2FS exhibited the best performance (AUC=0.9631). Conclusion: We suggest that the combination machine learning model incorporating tumoral and peritumoral texture features across the different MRI sequences can make more accurate pretreatment pCR prediction for NAC response of ER+HER2- LABC patients. Our results are also anticipated to make a potential contribution to the development of clinical therapeutic strategies. 목적: 이 연구의 목적은 현재까지 선행화학요법에 저조한 성적을 보인다고 알려져 있는 ER+ HER2- 국소 진행성 유방암 환자 군의 더 효과적인 치료 전략 수립을 돕기 위해, 치료 시작 전 선행화학요법 후 병리학적 완전 관해를 달성할 수 있는 최적의 환자들을 예측해보는 것이다. 방법: 본 연구는 후향적으로 2010년부터 2020년까지 본원에서 ER+ HER2- 국소 진행성 유방암으로 진단된 818명의 환자중에서, 수술 전 자기공명영상을 시행 받고 선행화학요법을 모두 완료하였으며 수술을 통하여 최종 병리학적 결과가 확인된 환자 265명을 대상으로 하고 있고, 이 환자들을 치료 전자기공명영상 시행일 2016년 1월을 기준으로 학습 코호트와 검증 코호트로 분류하였다. 본 연구에서는 치료 전 자기공명영상에서 종양과 종양 주변의 VOI를 그렸으며, 텍스처 특성 추출은 3종류의 자기공명영상 시퀀스; 초기 조영 증강 영상, 후기 조영증강 영상, 지방 포화 T2 강조 영상; 에서 이루어졌다. 일곱개의 머신 러닝 모델이 각각의 시퀀스에서 추출한 종양, 종양 주변, 종양과 종양 주변의 텍스처 특성으로 만들어졌고, 동일한 모델들은 서로 다른 두개의 시퀀스 각각에서 종양과 종양주변 텍스처 특성의 결합을 통하여서도 만들어졌다. 환자의 나이, 종양의 크기, ER and PR receptor expression rate을 포함하는 임상적인 요소를 포함한 모델도 동일한 방법으로 만들었다. 모든 모델의 pCR 예측 능력은 ROC 곡선의 AUC로 평가 및 비교되었다. 결과: 총 7533개의 텍스처 특성이 치료 전 자기공명영상에서 3종류의 시퀀스의 VOIs; 종양, 종양 주변, 종양과 종양 주변 영역; 으로부터 얻어졌다. 단독 시퀀스 모델로서는 초기 조영 증강 영상에서 종양부터 종양 주변부 1mm를 포함한 영역의 SVM 모델이 가장 우수한 성능을 보였다 (AUC = 0.9447). 그리고 앞서 언급한데로 서로 다른 시퀀스에서 종양, 종양 주변, 종양과 종양 주변 영역의 텍스처 특성을 결합해 보았을 때는, 초기 조영 증강 영상에서 종양부터 종양 주변 1mm까지와 지방 포화 T2 강조 영상의 종양 주변 3mm를 결합하였을 때 AUC 0.9631의 가장 우수한 모델이 개발되었다. 결론: 본 연구는 치료 전 자기공명영상에서 ER+ HER2- 국소 진행성 유방암 환자의 선행화학요법 반응을 평가해보고자 다양한 시퀀스에서 종양과 종양 주변 영역의 텍스처 특성을 활용하였다. 본 연구는 서로 다른 시퀀스에서의 종양과 종양 주변의 텍스처 특성의 결합 머신 러닝 모델로 이 환자군의 병리학적 완전 관해를 보다 정확하게 예측하고 분류할 수 있다는 것을 제안하며, 나아가 이 결과가 임상적인 치료 전략 수립에 직접적으로 도움을 줄 수 있을 것으로 기대한다.