Prediktion av Ki-67‑uttryck vid invasiv bröstcancer med dual‑modality radiomics

Varför denna forskning är viktig för patienter

För kvinnor som får diagnosen invasiv bröstcancer är en central fråga hur snabbt tumören sannolikt växer och sprider sig. Läkare använder ofta ett protein som heter Ki‑67 för att uppskatta hur snabbt cancerceller delar sig, men att mäta det kräver vanligtvis att man tar vävnad med en nål eller kirurgi. Denna studie undersöker om information som finns dold i rutinmässiga bröstbilder — ultraljud och mammografi — kan kombineras och analyseras av datorer för att förutsäga Ki‑67‑nivåer utan ett extra invasivt ingrepp, vilket potentiellt kan hjälpa till att anpassa behandling med mindre obehag och risk.

Se mer än vad ögat kan uppfatta

Ultraljud och mammografi är standardverktyg för att upptäcka och karakterisera brösttumörer. Radiologer bedömer form, kanter och andra synliga detaljer, men varje bild innehåller också subtila mönster av ljusstyrka och textur som är för komplexa för att ögat ska tolka fullt ut. Radiomics är en teknik som omvandlar dessa medicinska bilder till hundratals mätbara egenskaper och förvandlar varje tumör till ett rikt numeriskt fingeravtryck. Författarna antog att dessa fingeravtryck kan spegla hur aggressiv en tumör är, inklusive om Ki‑67‑nivån är hög eller låg.

Kombinera två bildmodaliteter

Forskarteamet studerade 206 kvinnor med invasiv bröstcancer som behandlades vid ett enda sjukhus. Alla hade tydliga preoperativa ultraljuds- och mammografibilder samt laboratoriebaserade Ki‑67‑resultat. Tumörerna grupperades som låg Ki‑67 (20 % eller mindre) eller hög Ki‑67 (över 20 %), ett vanligt använt gränsvärde. Specialister ritade ut tumörernas konturer på bilderna och datorprogram extraherade över tusen egenskaper från varje bildmodalitet. Dessa egenskaper beskrev grundläggande ljusstyrka, tumörens form och finskaliga texturmönster, både i originalbilderna och efter matematiska transformationer utformade för att framhäva dolda strukturer.

Lära datorn att förutsäga aggressivitet

Eftersom inte alla egenskaper är lika användbara använde forskarna en statistisk metod för att krympa ner dem till en mindre uppsättning som bar mest prediktiv kraft. De tränade sedan flera typer av maskininlärningsmodeller för att skilja hög från låg Ki‑67‑tumörer och byggde tre versioner: en baserad enbart på ultraljud, en enbart på mammografi och en som kombinerade egenskaper från båda. Modellerna testades noggrant med upprepad korsvalidering, en process som upprepade gånger omblandar och delar upp data i tränings‑ och testgrupper för att kontrollera hur väl resultaten håller på nya fall.

Vad modellerna lärde sig från bilderna

Den kombinerade modellen presterade tydligt bättre än modeller baserade på en enda bildmodalitet. Den nådde ett area under kurvan på 0,882, vilket betyder att den korrekt rankade hög‑ respektive låg‑Ki‑67‑tumörer i nästan nio av tio fall, med en god balans mellan sensitivitet (att fånga aggressiva tumörer) och specificitet (att undvika falska larm). Endast ultraljud och endast mammografi var märkbart mindre precisa. Många av de viktigaste egenskaperna fångade textur — hur enhetliga eller varierade gråskalnivåerna var inom tumören — samt aspekter av tumörens form. Med hjälp av ett tolkningsverktyg kallat SHAP visade författarna vilka egenskaper som starkast drev modellen mot en hög‑ respektive lågriskprediktion, vilket gjorde dess beslut mer transparenta.

Potentiell påverkan på vården och nästa steg

Studien tyder på att genom att kombinera information från ultraljud och mammografi kan datorer uppskatta en tumörs tillväxtaktivitet på ett sätt som i hög grad överensstämmer med biopsibaserad Ki‑67‑testning. I praktiken skulle ett sådant verktyg kunna hjälpa läkare att avgöra när behandlingen bör intensifieras eller när tätare uppföljning krävs, särskilt när en biopsi är svår att erhålla eller när upprepade mätningar behövs över tid. Arbetet genomfördes dock vid en enda klinik och retrospektivt, så det måste fortfarande testas i större, mer varierade patientgrupper och i prospektiva prövningar. Om resultaten bekräftas kan denna dual‑modality radiomics‑ansats bli ett värdefullt, icke‑invasivt komplement till traditionell patologi vid vägledning av personlig bröstcancerbehandling.

Citering: 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

Nyckelord: bröstcancer, Ki-67, radiomics, ultraljud, mammografi