Voorspelling van Ki-67-expressie bij invasieve borstkanker met radiomics van twee modaliteiten

Waarom dit onderzoek belangrijk is voor patiënten

Voor vrouwen die geconfronteerd worden met een diagnose van invasieve borstkanker is een belangrijke vraag hoe snel de tumor waarschijnlijk zal groeien en uitzaaien. Artsen gebruiken vaak een eiwit genaamd Ki-67 om te schatten hoe snel kankercellen zich delen, maar het meten ervan vereist doorgaans het nemen van weefsel met een naald of via een operatie. Deze studie onderzoekt of informatie die verborgen zit in routinematige borstbeelden—echografie en mammografie—kan worden gecombineerd en door een computer kan worden geanalyseerd om Ki-67-niveaus te voorspellen zonder een aanvullende invasieve test, wat mogelijk kan helpen de behandeling aan te passen met minder ongemak en risico.

Meer zien dan het blote oog kan waarnemen

Echografie en mammografie zijn standaardinstrumenten voor het opsporen en karakteriseren van borstkankers. Radiologen kijken naar vorm, randen en andere zichtbare details, maar elke afbeelding bevat ook subtiele patronen van helderheid en textuur die veel te complex zijn voor het menselijk oog om volledig te interpreteren. Radiomics is een techniek die deze medische beelden omzet in honderden meetbare kenmerken en zo elke tumor verandert in een rijke numerieke vingerafdruk. De auteurs stelden dat deze vingerafdrukken mogelijk weerspiegelen hoe agressief een tumor zich gedraagt, waaronder of het Ki-67-niveau hoog of laag is.

Combineren van twee beeldvormingsmethoden

Het onderzoeksteam bestudeerde 206 vrouwen met invasieve borstkanker die in één ziekenhuis werden behandeld. Allen hadden duidelijke preoperatieve echografie- en mammografiebeelden, naast laboratoriumuitslagen voor Ki-67. Tumoren werden ingedeeld als lage Ki-67 (20% of minder) of hoge Ki-67 (boven 20%), een veelgebruikte grenswaarde. Specialisten tekenden de omtrek van elke tumor op de beelden, en computersoftware extraheerde meer dan duizend kenmerken van elke beeldvormingsmethode. Deze kenmerken beschrijven basishelderheid, tumovorm en fijnmazige textuurpatronen, zowel in de originele beelden als na wiskundige transformaties die ontworpen zijn om verborgen structuren te benadrukken.

De computer leren agressiviteit te voorspellen

Aangezien niet alle kenmerken even nuttig zijn, gebruikten de onderzoekers een statistische methode om ze terug te brengen tot een kleinere set die het meeste voorspellende vermogen bevatte. Vervolgens trainden ze verschillende typen machinaal-lerenmodellen om hoge van lage Ki-67-tumoren te onderscheiden en bouwden drie versies: één gebaseerd op alleen echografie, één op alleen mammografie en één die kenmerken van beide combineerde. Ze testten de modellen rigoureus met herhaalde cross-validatie, een proces dat de gegevens herhaaldelijk herschikt en splitst in trainings- en testgroepen om te controleren hoe goed de resultaten standhouden bij nieuwe gevallen.

Wat de modellen uit de beelden leerden

Het gecombineerde model presteerde duidelijk beter dan modellen gebaseerd op één enkele beeldvormingstechniek. Het behaalde een area under the curve van 0,882, wat betekent dat het in bijna negen van de tien gevallen correct hoge versus lage Ki-67-tumoren rangschikte, met een goede balans tussen sensitiviteit (het opsporen van agressieve tumoren) en specificiteit (het vermijden van valse alarmen). Echografie alleen en mammografie alleen waren merkbaar minder nauwkeurig. Veel van de belangrijkste kenmerken betroffen textuur—hoe uniform of gevarieerd de grijswaarden binnen de tumor waren—alsook aspecten van tumovorm. Met een interpretatietool genaamd SHAP lieten de auteurs zien welke kenmerken het model het sterkst richting een hoge- of lage-risicovoorspelling duwden, waardoor de beslissingen transparanter werden.

Potentiële impact op de zorg en vervolgstappen

De studie suggereert dat door informatie van echografie en mammografie te combineren, computers de groeiactiviteit van een tumor kunnen schatten op een manier die dicht bij biopsie-gebaseerde Ki-67-testen ligt. In de praktijk zou zo’n hulpmiddel artsen kunnen helpen beslissen wanneer de behandeling te intensiveren of nauwkeuriger te volgen, vooral wanneer een biopsie moeilijk te verkrijgen is of wanneer herhaalde metingen in de loop van de tijd nodig zijn. Het werk werd echter uitgevoerd in één centrum en retrospectief, dus het moet nog worden getest in grotere, diverse patiëntengroepen en in prospectieve trials. Indien bevestigd, zou deze radiomics-benadering met twee modaliteiten een waardevolle, niet-invasieve aanvulling op de traditionele pathologie kunnen worden bij het sturen van gepersonaliseerde borstkankerbehandeling.

Bronvermelding: Xu, R., Lin, Q., Zheng, C. et al. Prediction of Ki-67 expression in invasive breast cancer with dual-modality radiomics. Sci Rep 16, 12129 (2026). https://doi.org/10.1038/s41598-026-42827-y

Trefwoorden: borstkanker, Ki-67, radiomics, echografie, mammografie