DE60025932T2

DE60025932T2 - Magnetische resonanz-spektroskopie einer brustbiopsie zur bestimmung einer pathologie, des falles einer vaskularisierung oder des falles einer nodalen betrof fenheit

Info

Publication number: DE60025932T2
Application number: DE60025932T
Authority: DE
Inventors: Carolyn East Ryde MOUNTFORD; Peter Pymble RUSSELL; C. Ian Winnipeg SMITH; L. Rajmund Headingly SOMORJAI
Original assignee: Institute for Magnetic Resonance Research; National Research Council of Canada
Current assignee: Institute for Magnetic Resonance Research; National Research Council of Canada
Priority date: 1999-10-18
Filing date: 2000-10-18
Publication date: 2006-10-26
Anticipated expiration: 2020-10-19
Also published as: AU1012301A; EP1223856A1; AU779946B2; ATE317241T1; CA2388757A1; EP1223856B1; CA2388757C; ES2258025T3; DE60025932D1; WO2001028412A1; DK1223856T3; NZ518529A; CY1106073T1

Description

HINTERGRUND DER ERFINDUNG
1. Technisches Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf die Verwendung von magnetischer Resonanzspektroskopie und insbesondere auf eine solche Verwendung zum Bestimmen von Pathologie, Vaskularisierung und Knotenbeteiligung einer Biopsie von Brustgewebe.
2. Beschreibung verwandten Standes der Technik
In dieser Anmeldung werden mehrere Publikationen durch arabische Ziffern in Klammern referenziert. Die vollen Zitate für diese und andere Referenzen können am Ende der Spezifikation unmittelbar vor den Ansprüchen gefunden werden.
Die klinische Evaluierung, Mammografie und Aspirationszytologie oder Kernbiopsie (Dreifachuntersuchung) wird bei Frauen in den meisten westlichen Ländern unternommen, die sich mit Brustläsionen vorstellen. Die klinische Untersuchung tastbarer Brustknoten ist unzuverlässig (1, 2). Nicht tastbare Läsionen werden üblicherweise durch Screening oder diagnostische Mammografie entdeckt, die eine berichtete Sensitivität von 77–94% und eine Spezifität von 92–95% hat (3). Eine zytologische Untersuchung von Feinnadelaspirationsbiopsien (FNAB, fine needle aspiration biopsies) weist Sensivitäten im Bereich von 65–98% und Spezifitäten im Bereich von 34–100% auf (4), abhängig von den Fähigkeiten der die Aspiration durchführenden Person und der Erfahrung des Zytopathologen.
Nach chirurgischer Exzision der Läsion bestimmt ein zeitaufwendiger Prozess der Präparation und pathologischen Untersuchung der Probe die Natur des Tumors und die mit ihm assoziierten prognostischen Merkmale.
ZUSAMMENFASSUNG DER ERFINDUNG
Die Magnetresonanzspektroskopie (MRS) ist eine Anwendung mit erwiesenem Leumund bei der Diagnose von minimal invasiven malignen Läsionen (5–11). MR-Spektren kleiner Proben von Gewebe oder selbst Zellsuspensionen ermöglichen die zuverlässige Bestimmung, ob das Ursprungsgewebe maligne oder benigne ist. Oft ist die MRS in der Lage, Malignität zu detektieren, bevor morphologische Manifestationen durch Lichtmikroskopie sichtbar sind (8).
Das Potential von Proton-MRS aus FNAB, gutartige von bösartigen Brustläsionen zu unterscheiden, ist zuvor gezeigt worden (12). Zu diesem Zeitpunkt verließ sich das MRS-Verfahren auf ein visuelles Ablesen, um Spektren zu verarbeiten und das Verhältnis der diagnostischen Metaboliten Cholin und Kreatin zu berechnen. Dieses Spektralverhältnis gestattete es, Gewebe als entweder gutartig oder bösartig zu identifizieren. In einer kleinen Kohorte von 20 Patienten innerhalb dieser Studie wird auch ein hochgradiges Duktuskarzinom in situ (DCIS) mit Comedo-Nekrose oder Mikroinvasion von geringradigem DCIS unterschieden. Trotz der Beschränkung der visuellen Untersuchung, die nur auf solche Spektren mit einem Signalrauschverhältnis (SRV) größer 10 zugreifen konnte, führte das visuelle Verfahren zu einer Diagnose von bösartig oder gutartig mit einer Sensibilität und Spezifität von 95 und 96%. 1 zeigt maligne und benigne Spektren SRV gutem SRV, während 2 Spektren mit schlechten SNR zeigen.
Zwanzig Prozent der Spektren wurden verworfen, weil eine niederaspirative Zellularität ein inadäquates SRV ergab. In der anfänglichen Studie verwendete die visuelle Analyse nur zwei von fünfzig oder mehr verfügbaren Resonanzen (6). Somit könnte eine potentielle diagnostische oder prognostische Information im verbleibenden Spektrum ignoriert worden sein.
Eine dreistufige robuste statistische Klassifizierungsstrategie (SCS) ist entwickelt worden, um biomedizinische Daten zu klassifizieren und auf das aus biologischen Proben erhaltene, volle MR-Spektrum zuzugreifen. Die Robustheit des Verfahrens ist zuvor mit Analyse von Protonen-MR-Spektrum von Thymustumoren (13), Ovar- (14), Prostata- (9) und Gehirngeweben (15) demonstriert worden. Die vorliegende Erfindung wendet SCS mit Verbesserungen an, um auf Protonen-MR-Spektren von Brustaspiraten gegenüber pathologische Kriterien zuzugreifen, um die korrekte Pathologie von Proben mit suboptimaler Zellularität und SVR zu bestimmen und um zu bestimmen, ob andere diagnostische und prognostische Informationen im Spektrum verfügbar sind.
In Referenz (14) an Wallace et al. wurde eine frühere Version von SCS verwendet, um das Spektrum von Ovargeweben zu analysieren, um Krebs gegenüber normalem Gewebe zu detektieren. Obwohl diese Referenz die Verwendung eines SCS-Schritts beschreibt, setzte sie keinen Crossvalidierungsschritt ein, der einen ersten Bereich der Spektren aus jeder Klasse auswählte und auch den Quervalidierungsschritt mehrmals wiederholte, um optimierten LDA-Koeffizienten für jede des aus der Mehrzahl unter Verwendung verschiedener Bereiche der Spektren für jede der "ersten Bereichen" zu erhalten, und dann einen gewichteten Durchschnitt der LDA-Koeffizienten aus den Ergebnissen des Wiederholungsschrittes zu erhalten, um endgültige Klassifizierspektren zu erhalten.
Die Erfinder haben festgestellt, dass SCS auf MRS aus Brust-FNAB zuverlässiger ist als die Inspektion, um zu bestimmen, ob eine Läsion gutartig oder bösartig ist und dass ein größerer Anteil von Spektren für die Analyse nützlich ist. Weiterhin sagten aus MRS an FNAB von Brustkrebsproben erhaltene Spektralinformationen Lymphknotenmetastasen (Gesamtgenauigkeit 96%) und eine vaskuläre Invasion (Gesamtgenauigkeit 92%) voraus.
Gemäß einem ersten Aspekt der Erfindung wird ein Verfahren zum Bestimmung der Klassifikation einer Eigenschaft von Brustgewebe bereit gestellt, umfassend: Erhalten von magnetischen Resonanzspektren einer Biopsie von Brustgewebe mit einer unbekannten Klassifikation einer Eigenschaft und Vergleichen der Spektren mit einem Klassifizierer, wobei der Klassifizierer erhalten worden ist durch

(a) Lokalisieren einer Mehrzahl von diskriminierenden Unterregionen in magnetischen Resonanzspektren von Biopsien von Brustgewebe, das bekannte Klassifizierer einer Eigenschaft aufweist;
(b) Quervalidieren der Spektren durch Auswählen eines ersten Bereichs der Spektren aus jeder Klasse einer Eigenschaft, Entwickeln linearer Diskriminanten-Analyseklassifizierer aus dem ersten Bereich der Spektren aus jeder Klasse und Validieren des Rests der Spektren aus jeder Klasse unter Verwendung der Klassifizierer aus dem ersten Bereich der Spektren aus jeder Klasse, um optimierte lineare Diskriminanten-Analysekoeffizienten zu erhalten, gekennzeichnet durch
(c) Wiederholen von Schritt (b) mehrmals, wobei jedes Mal als der erste Bereich der Klasse ein anderer Bereich der Spektren aus jeder Klasse ausgewählt wird, um einen anderen Satz von optimierten linearen Diskriminanten-Analysekoeffizienten für jedes aus der Mehrzahl von Malen zu erhalten;
(d) Erhalten eines Durchschnitts der linearen Diskriminanten-Analysekoeffizienten, um endgültige Klassifizierer-Spektren zu erhalten, welche die Klassifikation der Eigenschaft basierend auf den Spektren anzeigen; und
(e) wobei Spektren von einer Biopsie von Brustgewebe unbekannter Klassifikation einer Eigenschaft mit den finalen Klassifizierer-Spektren verglichen werden können, um die Klassifikation der Eigenschaft des Brustgewebes zu bestimmen.

Gemäß einem zweiten Aspekt der Erfindung wird eine Vorrichtung bereitgestellt zum Bestimmen der Klassifikation einer Eigenschaft von Brustgewebe, umfassend: ein Spektrometer zum Erhalten von magnetischen Resonanzspektren einer Biopsie von Brustgewebe mit einer unbekannten Klassifikation einer Eigenschaft; und einen Klassifizierer zum statistischen Klassifizieren der Spektren durch Vergleichen der Spektren mit einer Referenz-Klassifikation, wobei der Klassifizierer erhalten wird durch

(a) einen Lokalisierer zum Lokalisieren einer Mehrzahl von diskriminierenden Unterregionen in magnetischen Resonanzspektren von Biopsien von Brustgewebe, das bekannte Klassifizierer einer Eigenschaft von Brustgewebe aufweist;
(b) einen Quervalidierer zum Auswählen eines Bereichs der Spektren aus jeder Klasse einer Eigenschaft, Entwickeln linearer Diskriminanten-Analyseklassifizierer aus dem ersten Bereich von Spektren und Validieren des Rests der Spektren aus jeder Klasse unter Verwendung der Klassifizierer aus dem ersten Bereich der Spektren, um optimierte lineare Diskriminanten-Analysekoeffizienten zu erhalten, dadurch gekennzeichnet, dass der Quervalidierer weiterhin zum mehrmaligen Auswählen, Entwickeln und Validieren dient, wobei jedes Mal ein anderer Bereich der Spektren ausgewählt wird, um einen anderen Satz von optimierten linearen Diskriminanten-Analysekoeffizienten für jedes aus der Mehrzahl von Malen zu erhalten; und
(c) einen Durchschnittsbilder zum Erhalten eines Durchschnitts der linearen Diskriminanten-Analysekoeffizienten, um endgültige Klassifizierer-Spektren zu erhalten, welche die Klassifikation der Eigenschaft basierend auf den Spektren anzeigen; wobei Spektren von einer Biopsie von Brustgewebe unbekannter Klassifikation einer Eigenschaft mit den finalen Klassifizierer-Spektren verglichen werden können, um die Klassifikation der Eigenschaft des Brustgewebes zu bestimmen.

BESCHREIBUNG DER ZEICHNUNGEN
1 zeigt bösartige und gutartige Spektren bei relativ gutem SRV;
2 zeigt Spektren mit relativ schlechten SRV; und
3 zeigt ein System zum Bestimmen von Pathologie, Vaskularisierung und Knotenbeteiligung gemäß der Erfindung.
DETAILLIERTE BESCHREIBUNG DER ERFINDUNG
VERFAHREN
Vorbereitung von Patienten:
Intraoperative FNAB wurden für 139 Patienten entnommen, die Brustchirurgie für maligne und benigne Konditionen (Tabelle 1) durch drei Chirurgen in getrennten Krankenhäusern erfuhren. Um einen hinreichend großen Datensatz für SCS bereit zu stellen, nahmen zusätzliche 27 Patienten an der Studie teil (siehe Tabelle 1).
Untastbare Brustläsionen, die durch Kohlenstoffbahn („Carbon Track") oder Hakendraht lokalisiert worden sind, wurden berücksichtigt, außer, falls die Läsion nicht bei Exzision tastbar war oder wenn die Pathologieprobe kompromittiert gewesen sein könnte. Alle Proben wurden während der Operation unter direkter Sicht entnommen, nachdem die Läsion identifiziert und hinreichend weit inzisiert worden war, um sicherzustellen, dass die FNAB und die Gewebeproben dieselbe Läsion repräsentierten und damit vergleichbar waren. Die Läsion wurde identifiziert und in vivo über den Rand mit der größten ersichtlichen Tiefe normalen Gewebes zwischen ihr und der Läsion inzisiert, um sicherzustellen, dass der Pathologe die Läsion gemäß Standardprotokoll untersuchen konnte. Bösartige und verdächtige Läsionen wurden mit Nähten und strahlenundurchlässigen vaskulären Klips (Ligaclips) für pathologische und radiologische Orientierung orientiert. Die FNAB wurde vom Chirurgen unter Verwendung einer 23 Gauge Nadel auf einer 5 ml Spritze gesammelt. Die Anzahl von Nadeldurchgängen wurde aufgezeichnet und es wurde die Bewertung des Chirurgen bezüglich der Qualität des Aspirats gemacht. Bevor die Nadel aus der Läsion entfernt wurde, wurde eine Gewebeprobe einschließlich des relevanten Teils. der Nadelspur genommen. Die Größe dieser Gewebeprobe wurde abgeschätzt und vom Chirurgen aufgezeichnet.
Präoperative klinische und investigative Daten beinhalteten lokalisierten Schmerz, Brustwarzenausstoß oder Brustwarzenverkrustung, Details einer vorherigen Mammografie und ob die Läsion durch Screening entdeckt wurde. Die klinischen, Mammografie-, Ultraschall-, zytologischen, Kernbiopsie- und MRI-Details wurden als bösartig, verdächtigt, gutartig, untastbar, unsicher oder nicht durchgeführt aufgezeichnet.
Die Pathologieprobe wurde in den Anfangsstadien auf Eis, aber später in Formalin zur Standardhistopathologie-Berichterstattung und Hormonrezeptoranalyse gesendet. Der Pathologiereport wurde im Synopsisformat (16) herausgegeben.
Spezifische tumorbezogene klinische und Probeninformationen wurden gesammelt. Diese beinhaltete eine Vorgeschichte vorheriger Brustbiopsien, mit Daten, Diagnosen, Größen und Orten dieser Läsionen zusammen mit der Dauer, Tastbarkeit, Lateralität, Größe und Lokalität der derzeitigen Läsion innerhalb der Brust. Es wurden das Operationsdatum, das Ausmaß an Brustchirurgie von offener Biopsie bis totaler Mastektomie und von Achselhöhlenchirurgie von Probenentnahme bis Stufe 3 Dissektion aufgezeichnet.
Probenvorbereitung:
Nach kompletter Exzision der Läsionen wurden die FNAB-Zytologie und die Gewebeproben in Polypropylengefäßen platziert, die 300 ml Phosphat-gepufferte Kochsalzlösung (PBS) in D₂O enthielt. Alle Proben wurden unverzüglich in Flüssigstickstoff eingetaucht und bei –70°C für bis zu 6 Wochen bis zur MRS-Analyse gelagert.
Vor dem Protonen-MRS-Experiment wurde jede FNAB-Probe aufgetaut und direkt in ein 5 mm MRS-Röhrchen überführt. Das Volumen wurde bedarfsweise mit PBS/D₂O auf 300 ml eingestellt. Die Protonen-MRS-Untersuchung aller Proben wurde ohne Wissen der korrelierten Histopathologie durchgeführt, entweder aus dem synoptischen Pathologiebericht oder aus dem Schneiden des bei der MRS-Studie verwendeten Gewebes.
Die um den Nadelgang herum exzisierte Gewebeprobe wurde in ähnlicher Weise in 300 ml PBS/D₂O enthaltende Polyproylengefäßen platziert und wie oben beschrieben, in Flüssigstickstoff eingetaucht. Diese Probe wurde später für die pathologische Korrelation verwendet.
Datenerfassung:
MRS-Experimente wurden auf einem Bruker-Spektrometer Avance 360 mit Weitbohrung (betrieben bei 8,5 Tesla) ausgeführt, das mit einem dedizierten Standard-Protonensondenkopf mit 5 mm ausgerüstet war. Die Probe wurde bei 20 Hz herumgewirbelt und die Temperatur bei 37°C gehalten. Das Restwassersignal wurde durch selektive gesperrte Bestrahlung unterdrückt. Die chemischen Verschiebungen von Resonanzen wurden auf wässriges Natrium-3-(trimethylsilyl)-propansulfonat (TSPS) bei 0,00 ppm bezogen. Eindimensionale Spektren wurden über eine spektrale Breite von 3597 Hz (10,0 ppm) unter Verwendung eines 90° Pulses von 6,5–7 μs, 8192 Datenpunkten, 256 Akkumulationen und einer Relaxationsverzögerung von 2,00 s erfasst, was zu einer Pulswiederholzeit von 3,14 s führte.
Das SRV wurde unter Verwendung der Bruker Standard-Software (xwinnmr) bestimmt. Der Rauschbereich wurde zwischen 8,5 und 9,5 ppm definiert. Der Signalbereich wurde zwischen 2,8 und 3,5 ppm definiert.
Histopathologie:
Eine diagnostische Korrelation wurde durch Vergleichen der Spektralanalyse mit dem für jeden Patienten bereit gestellten Krankenhauspathologiebericht erhalten. Eine Lymphknotenbeteiligung und eine vaskuläre Invasion wurden aus den Berichten nur in Fällen bestimmt, bei denen diese Information vollständig war. In den teilnehmenden Krankenhäusern wurden die Lymphknoten eingebettet und in Standardmanier Serien-geschnitten. Es wurde ein 5 μm-Schnitt von jeweils 50 (d.h. alle 250 μm) gefärbt und untersucht. Alle dazwischen liegenden Schnitte wurden verworfen.
In der Anfangsphase der Studien wurde eine zytologische Analyse des Aspirats nach MRS-Analyse versucht, aber die zellulären Details waren durch autolytische Veränderungen beeinträchtigt und dieser Ansatz wurde nicht weiter verfolgt. Um die FNAB-Probengenauigkeit zu verifizieren, wurde eine getrennte histopathologische Bewertung durch einen einzelnen Pathologen (PR) aus Gewebe erhalten, dass vom Aspirationsort der MRS-Probe entnommen worden war. Gewebeproben wurden aufgetaut, in FAA (Formalin/Essigsäure/Alkohol) fixiert, in Paraffin eingebettet, bei 7 μm geschnitten, mit Hämatoxylin und Eosin gemäß Standardprotokollen gefärbt und unter dem Lichtmikroskop vom Pathologen ohne Zugriff auf die klinischen oder MRS-Daten begutachtet. Die Gewebeerhaltung, die Häufigkeit von Epithelzellen relativ zu Stroma und das Vorkommen potentiell verwirrender Faktoren, wie etwa Fett und Entzündungszellen, wurde zusätzlich zur Hauptdiagnose berichtet.
Statistische Klassifizierungsstrategie:
Die allgemeine Klassifizierungsstrategie ist speziell für MR- und IR-Spektren von Biofluiden und Biopsien entwickelt und entworfen worden. Die Strategie besteht aus drei Stufen. Zuerst werden die MR-Magnitudenspektren vorprozessiert (um redundante Informationen und/oder Rauschen zu eliminieren), indem sie einer leistungsfähigen, genetischer Algorithmus-basierten, optimalen Bereichsauswahl (ORS_GA) unterworfen werden (17), der einige wenige (maximal 5–10) maximal diskriminatorischer Unterbereiche in den Spektren findet. Die spektralen Durchschnitte in diesen Unterbereichen sind die endgültigen Merkmale und werden in der zweiten Stufe verwendet. Diese Stufe verwendet die von ORS_GA gefundenen Merkmale, um lineare Diskriminanten-Analyse (LDA)-Klassifizierer zu entwickeln, die durch IBDs Bootstrap-basierte Quervalidierungsverfahren robust gemacht werden (18). Der Quervalidierungsansatz schreitet fort, indem zufällig etwa die Hälfte der Spektren aus jeder Klasse ausgewählt und verwendet werden, um einen Klassifizierer zu trainieren (üblicherweise LDA). Der sich ergebende Klassifizierer wird dann verwendet, um die verbleibende Hälfte zu validieren. Dieser Prozess wird B-mal wiederholt (unter zufälliger Ersetzung) und die optimierten LDA-Koeffizienten werden gespeichert. Das gewichtete Mittel dieser B Sätze von Koeffizienten ergibt den endgültigen Klassifizierer. Der endgültige Klassifizierer ist die gewichtete Ausgabe der 500–1000 verschiedenen Bootstrap-Klassifiziererkoeffizientensätze und wurde dafür ausgelegt, in einer klinischen Umgebung als einzelner bester Klassifizierer verwendet zu werden. Der Klassifizierer besteht aus Wahrscheinlichkeiten einer Klassenzuweisung für die individuellen Spektren. Für zwei Klassenprobleme wird die Klassenzuweisung treffend („crisp") genannt, falls die Klassenwahrscheinlichkeit > 0,75% ist. Für besonders schwierige Klassifizierungsprobleme wird die dritte Stufe aktiviert. Diese aggregiert die Ausgaben (Klassenwahrscheinlichkeiten) von mehreren unabhängigen Klassifizierern, um eine computerisierte Konsens-Diagnose (CKD) zu bilden (13, 15). Die Konsequenz der CKD ist, dass die Klassifizierungsgenauigkeit und Zuverlässigkeit im Allgemeinen besser als die beste der individuellen Klassifizierer ist.
3 zeigt ein Spektrometer 10, das ein Gruker Avance 360 Spektrometer, das bei 8,5 Tesla arbeitet, sein kann, mit angeschlossenem Computer. Der statistische Klassifizierungsstrategie (SKS)-Computer 12 speichert die SKS und andere hier beschriebene Programme. Die klinische Datenbank beinhaltet die Informationen aus der Datenerfassung und der Histopathologie, die vom Computer 12 verwendet werden, um den Klassifizierer 16 zu entwickeln. Der Klassifizierer 16 klassifiziert die Eigenschaften (z.B. Pathologie, Vaskularisierung und/oder Lymphknotenbeteiligung) des begutachteten Brustgewebes.
ERGEBNISSE
166 Patienten waren an der Studie beteiligt. Eine Zusammenfassung der klinisch-pathologischen Kriterien ist in Tabelle 1 gezeigt.
Gutartig versus bösartig:
Protonen-MR-Spektren wurden für jede FNAB unabhängig von der Zellularität des Aspirats aufgezeichnet. Jedoch sind solche Proben mit einem SRV von kleiner als 10, die als inadäquat für die visuelle Inspektion gezeigt worden sind (12) in der SKS-Analyse eingeschlossen worden, ohne die Genauigkeit signifikant zu beeinträchtigen. Die visuelle Inspektion aller Spektren unabhängig von Signal-zu-Rauschen gab eine Sensitivität und Spezifität von 85,3% bzw. 81,5% (Tabelle 2a) basierend auf dem Creatin-Cholin-Verhältnis. Wenn SCS basierte Klassifizierer für alle verfügbaren Spektren entwickelt wurden (Tabelle 2b), wurden 96% der Spektren als treffend angesehen und konnten vom Klassifizierer unzweifelhaft als bösartig oder gutartig zugeordnet werden. Die Sensitivität und Spezifität war 93% bzw. 92%.
Nach Entfernen der 31 Spektren mit der zuvor bestimmten schlechten SRV (SRV < 10) wurde eine Sensitivität und Spezifität von 98% bzw. 94% mit einer Treffsicherheit von 99% erzielt (Tabelle 2c).
Prognosefaktoren:
Mit dem Hinzufügen von prognostischen Kriterien zur Datenbank wurden zwei weitere Klassifizierer erzeugt, nämlich Lymphknotenbeteiligung und vaskuläre Invasion. Eine kleine Anzahl von bekannten gutartigen oder präinvasiven Fällen wurde in diesen Untersätzen eingeschlossen, um die Fähigkeit des Computers zu beurteilen, jene Fälle korrekt zu definieren, bei denen keine Knotenbeteiligung oder vaskuläre Invasion erwartet wurde. Diese gutartigen oder präinvasiven Fälle wurden vom Computer alle korrekt ihren entsprechenden unbeteiligten Klassen zugewiesen.
Lymphknotenbeteiligung:
Es gab 31 Fälle mit Knotenbeteiligung und 30 ohne den Einschluss von zwei DCIS und drei fibrozystischen Proben. Alle Spektren wurden unabhängig vom SRV eingeschlossen. Nur jene Spektren, für die vollständige Pathologie und klinische Berichte verfügbar waren, wurden in diesem Vergleich eingeschlossen (Tabelle 1). Die Anwesenheit von Lymphknotenmetastasen wurde durch SCS mit einer Sensitivität von 96% und Spezifität von 94% vorhergesagt (Tabelle 3a).
Vaskuläre Invasion:
Auch wurde eine SCS-basierte Analyse von Spektren unter Verwendung von vaskulärer Invasion als Kriterium durchgeführt. Es gab 85 Spektren für diese Analyse (Tabelle 1). Eine Sensitivität von 84% und eine Spezifität von 100% wurde für die korrekte Bestimmung von vaskulärer Invasion erzielt, mit einer Gesamtgenauigkeit von 92% (Tabelle 3b).
DISKUSSION
Die Einführung von Vorverarbeitung und SCS-Analyse von MR-Spektren hat die Fähigkeit verbessert, spektroskopische Veränderungen mit der Pathologie von humanen Biopsien zu korrelieren. Auch hat sie es gestattet, Proben mit suboptimaler Zellularität zu analysieren und hat, noch wichtiger, eine Korrelation zwischen klinischen Kriterien bereitgestellt, die durch visuelle Inspektion nicht ersichtlich ist.
Die visuelle Inspektion von Spektren, wie die Histopathologie, ist durch die Erfahrung und die Fähigkeiten des Ablesers begrenzt, die Spitzenhöhenverhältnisse von Metaboliten zu bestimmen (12). Die visuelle Inspektion von Spektren und die Verwendung von Spitzenhöhenverhältnismessungen von Cholin und Kreatin unterschied gutartige und bösartige Spektren mit einem höheren Grad an Genauigkeit als Standarddreifachbewertung von Brustläsionen. Jedoch mussten, um einen hohen Genauigkeitsgrad zu erreichen, viele Spektren mit schlechtem SRV verworfen werden, was die Effektivität der Technik verminderte. Frühere Abschätzungen zellulären Materials, das von FNAB herrührte, an dem MRS-Analyse zuverlässig durchzuführen ist, haben zur Abschätzung geführt, dass zumindest 10⁶-Zellen nötig sind (6).
Durch Verwendung von SCS-abgeleiteten Klassifizierern war es möglich, bösartige von gutartigen Pathologien mit einer höheren Sensitivität von 92% und Spezifität von 96% für alle FNAB-Spektren, einschließlich solcher mit niedrigem SRV (Tabelle 2b), als durch visuelles Lesen derselben Spektren (Tabelle 2a) zu unterscheiden. Dass eine SCS-analysierte Analyse einen größeren Anteil von Spektren zuverlässiger klassifizieren konnte als visuell ausgewertet werden konnten, zeugt von der Robustheit und größeren Universalität des Computer-basierten Ansatzes.
Das SCS-basierte Ergebnis wird weiter verbessert, indem dem Computer Spektraldaten mit hohem SRV präsentiert werden. Die Verbesserung an Sensitivität und Spezifität, die für Spektren mit einem SRV > 10 gewonnen wird (Tabelle 2c), illustriert diesen Punkt. Das Erhalten von FNAB mit adäquaten Zellzahlen kann die Ergebnisse ebenfalls verbessern.
SCS gestattet es Klassifizierern, Muster zu erkennen, die komplexere Informationen enthalten. Der Klassifizierer ist dafür validiert worden, Proben mit Lymphknotenbeteiligung und vaskulärer Invasion zu diagnostizieren. Die Fähigkeit des SCS-abgeleiteten Klassifizierers, Lymphknotenbeteiligung mit einer Genauigkeit von 95% und vaskuläre Invasion mit einer Genauigkeit von 92% vorherzusagen, betont die Menge an chemischen Informationen, die mit dem geeigneten statistischen Ansatz aus einem FNAB einer Brustläsion extrahiert werden kann (Tabelle 3).
Eine Hauptherausforderung bei Brustkrebs ist die Notwendigkeit, die Faktoren zu identifizieren und zu verstehen, die die Prognose des Patienten am meisten beeinflussen und durch rechtzeitige und geeignete Intervention dieses Ergebnis zu beeinflussen. Eine adjuvante Therapie kann die Risiken eines Todes während der ersten zehn Jahre nach Diagnose von Brustkrebs um etwa 20–30% vermindern (19). Es ist gezeigt worden, dass der beste Prognoseindikator des Überlebens bei Patienten mit frühem Brustkrebs der Achselhöhlenlymphknotenstatus ist (20–22).
In wachsendem Umfang wird eine Wächterlymphknotenbiopsie als Mittel untersucht, die Morbidität und die Kosten unnötiger Hilfsddissektion bei den zwei Dritteln von Frauen mit früheren invasiven Brustkrebs zu reduzieren, bei dem sich herausstellt, dass die Knoten negativ sind (23–25), während die Option einer vollständigen Achselhählenknotenreinigung bei solchen Patienten gewahrt bleibt, deren Knoten positiv sind. MRS kann möglicherweise aus dem zellulären Material, das nur vom primären Tumor erhalten ist, eine Knotenbeteiligung bestimmen, wodurch die Rolle einer Wächter-Lymphknotenbiopsie beschränkt ist.
Die Ergebnisse, dass 52% der Patienten mit Lymphknotenbeteiligung auch eine vaskuläre Invasion aufwiesen, stimmen mit Barth et al. (26) überein, die zeigten, dass die peritumorale lymphovaskuläre Invasion mit der Lymphknotenbeteiligung korrelierte (27) und ein unabhängiger Vorhersager von Krankheitsfreiheit und Gesamtüberleben war (28–31).
Eine computerbasierte statistische Klassifizierungsstrategie, die ein robustes Mittel zur Analyse klinischer Daten bereitstellt, wird eine Realität. Die Leistung, Geschwindigkeit und Reproduzierbarkeit einer computerbasierten Diagnose kann zu geeignet programmierten Computern führen, die den menschlichen Beobachter im klinischen Labor unterstützen. Patienten erwarten in wachsendem Ausmaß eine Sicherheit bei Diagnose und optimalem Management.
Mehrere wichtige experimentelle Faktoren sollten bemerkt werden. Derzeit ist soweit gezeigt worden, dass das MRS-Verfahren gemäß der Erfindung nur bei aspirierten Zellen aus der Brust arbeitet und nicht bei Kernbiopsien, die einen hinreichend hohen Spiegel an Fett enthalten, um die diagnostische und prognostische Information zu maskieren. Die Biopsie sollte für die Läsion repräsentativ sein und eine hinreichende Zellularität enthalten. Weiterhin ist die Probenhandhabung von überwältigender Wichtigkeit, falls die Probe minimal degradieren soll. Die Qualitätskontrolle im Spektrometer sollte in Bezug auf Pulssequenzen, Temperatur, Magnetstabilität, Ausgleich und Wassersuppression ausgeübt werden. Das Magnetfeld, bei dem die hier berichtete Datenbank gesammelt wurde, ist 8,5 Tesla (360 MHz für Proton). Weil Spektralmuster frequenzabhängig sind, sollte ein neuer Klassifizierer entwickelt werden, falls man verschiedene Magnetfeldstärken verwendet.
Die zum Trainieren des Klassifizierers verwendeten klinischen und Pathologiedatenbanken sollten für den vollen Bereich von Pathologien oder die komplette Demografik der Population repräsentativ sein oder sonst könnte der Klassifizierer inadäquat vorbereitet sein für all die Möglichkeiten, denen er bei der klinischen Praxis begegnen kann. Beim Entwickeln einer Datenbank für Brustläsionen sollte der Trainingssatz adäquate Proben aller üblicherweise vorkommenden Brustpathologien aufweisen und beim Entdecken von weniger üblichen Tumorarten aktualisiert werden.
Es wird erwartet, dass die Erfindung eine revolutionäre Auswirkung auf Brustkrebsmanagement durch die Verwendung einer SCS-computerisierten Analyse von MR-Spektralmerkmalen bereitstellt, indem ein viel höheres Genauigkeitsmaß bei der Diagnose der Läsion erhalten wird und ebenfalls eine Indikation ihres Metastasepotentials, im Vergleich zur visuellen Inspektion von Spektren. Am wichtigsten ist, dass die Erfindung die Identifikation des Krankheitsstadiums aus Spektralinformationen von FNAB erleichtert, die nur aus der primären Brustläsion entnommen wurden.
Die Erfindung gestattet es, eine pathologische Diagnose, die Wahrscheinlichkeit von Achselhöhlenlymphknotenbeteiligung und Tumorvaskularisierung durch SCS-basierte Analyse von Proton-MR-Spektren von einer FNAB, die aus einer primären Brustläsion genommen ist, zu bestimmen. Das SCS-basierte Verfahren ist beim Identifizieren von komplexen spektralen Indikatoren der Diagnose und Prognose genauer und zuverlässiger als die visuelle Inspektion.
Die Fähigkeit einer SCS-basierten Analyse von MRS-Daten, eine Prognoseinformation bezüglich Lymphknotenbeteiligung durch Probenentnahme nur beim Primärtumor bereitzustellen, kann einen Paradigmenwechsel im Management von Brustkrebs bewirken. Die Bestimmung einer vaskulären Invasion aus demselben zellulären Material betont das unerschlossene Potential von MRS zur Bestimmung prognostischer Informationen.
Obwohl eine Ausführungsform der Erfindung gezeigt und beschrieben worden ist, werden Fachleuten zahlreiche Variationen und Modifikationen leicht klar werden. Die Erfindung ist nicht auf die bevorzugte Ausführungsform beschränkt und ihr Umfang ist lediglich durch die anhängigen Ansprüche bestimmt. Tabelle 1 Zusammenfassung klinisch-pathologischer Daten

* Diese präinvasiven und gutartigen Läsionen waren als Lymphknoten-negative, vaskulär invasionsnegative Fälle bekannt, um die Fähigkeit des Computers zu testen, wahre Negative und Positive zu unterscheiden. Sie wurden alle vom Computer korrekt in ihre entsprechenden Klassen klassifiziert.

1. Kitchen PR, McLennan R, Mursell A. Node-positive breast cancer: a comparison of clinical and pathological findings and assessment of axillary clearance. Australian & New Zealand Journal of Surgery 1980; 50: 580–3.
2. Dixon JM, Senbanjo RO, Anderson TJ, Forrest AP, Elton R. A. Clinical assessment of tummour size in primary breast carcinoma. Clinical Oncology 1984; 10: 117–21.
3. Kerlikowske K, Grady D, Barclay J, Sickles EA, Ernster V. Likelihood ratios for modern screening mammography. Risk of breast cancer based an age and mammographic interpretation [JAMA 1996; 276: 39–43].
4. Giard RW, Hermans J. The value of aspiration cytologic examination of the breast. A statistical review of the medical literature. Cancer 1992; 69: 2104–10.
5. Delikatny EJ, Russell P, Hunter JC, et al. Proton MR and human cervical neoplasia: ex-vivo spectroscopy allows distinction of invasive carcinoma of the cervix from carcinoma in-situ and other preinvasive lesions. Radiology 1993; 188: 791–6.
6. Lean CL. Delbridge L, Russell P, et al. Diagnosis of follicular thyroid lesions by proton magnetic resonance on fine needle biopsy. Journal of Clinical Endocrinology & Metabolism 1995; 80: 1306–11.
7. Lean CL, Newland RC, Ende DA, Bokey EL, Smith IC, Mountford CE. Assessment of human colorectal biopsies by 1H MRS: correlation with histopathology. Magnetic Resonance in Medicine 1993; 30: 525–33.
8. Russell P, Lean CL, Delbridge L, May GL, Dowd S, Mountford CE. Proton magnetic resonance and human thyroid neoplasia. I: Discrimination between benign and malignant neoplasms. American Journal of Medicine 1994; 96: 383–8.
9. Hahn P. Smith IC. Leboldus L. Littman C. Somorjai RL. Bezabeh T. The classification of benign and malignant human prostate tissue by multivariate analysis of 1H magnetic resonance spectra. Cancer Research 1997; 57: 3398–401.
10. Rutter A. Hugenholtz H. Saunders JK. Smith IC. Classification of brain tumors by ex vivo 1H NMR spectroscopy. Journal of Neurochemistry 1995; 64: 1655–61.
11. Mountford CE. Lean CL. Hancock R. et al. Magnetic resonance spectroscopy detects cancer in draining lymph nodes. Invasion & Metastasis 1993; 13: 57–71.
12. Mackinnon WB. Barry P. A. Malvcha PL. et al. Fine-needle biopsy specimens of benign breast lesions distinguished from invasive cancer ex vivo with proton MR spectroscopy. Radiology 1997; 204: 661–6.
13. Somorjai RL. Nikulin A. E. Pizzi N. et al. Computerized consensus diagnosis: a classification strategy for the robust analysis of MR spectra. 1. Application to 1H spectra of thyroid neoplasms. Magnetic Resonance in Medicine 1995; 33: 257–63.
14. Wallace JC. Raaphorst GP. Somorjai RL. et al. Classification of 1H MR spectra of biopsies from untreated and recurrent ovarian cancer using linear discriminant analysis. Magnetic Resonance in Medicine 1997; 38: 569–76.
15. Somorjai RL. Dolenko B. Nikulin AK. et al. Classification of 1H MR spectra of human brain neoplasms: the influence of preprocessing and computerized consensus diagnosis an classification accuracy. Journal of Magnetic Resonance Imaging 1996; 6: 437–44.
16. The Pathology reporting of Breast Cancer. Recommendations of the Australian Cancer Network. May 1977. The Stone Press. Epping NSW.
17. Nikulin AE. Dolenko B. Bezabeh T. Somorjai RL. Near-optimal region selection for feature space reduction: novel preprocessing methods for classifying MR spectra. NMR Biomed 1998; 11: 209–217.
18. Efron B. Tibshirani RJ. An Introduction to the Bootstrap. Monograms of Statistics and Applied Probability. Vol. 57: Chapman Hill. New York. 1993.
19. Weidner N. Prognostic factors in breast carcinoma. Current Opinion in Obstetrics & Gynecology 1995; 7: 4–9.
20. Fisher B. Ravdin RG. Ausman RK. Slack NH. Moore GE. Noer RJ. Surgical adjuvant chemotherapy in cancer of the breast:results of a decade of cooperative investigation. Annals of Surgery 1968; 168: 337–56.
21. Silverstein MJ. Gierson ED. Waisman JR. Senofsky GM. Colburn WJ. Gamagami P. Axillary lymph node dissection for Tla breast carcinoma. Is it indicated? Cancer 1994; 73: 664–7.
22. Chen YY. Schnitt SJ. Prognostic factors for patients with breast cancers 1 cm and smaller. Breast Cancer Research & Treatment 1998; 51: 209–25.
23. Cady B. The need to reexamine axillary lymph node dissection in invasive breast cancer [editorial]. Cancer 1994; 73: 505–8.
24. Beechey-Newman N. Sentinel node biopsy: a revolution in the surgical management of breast cancer? Cancer Treatment Reviews 1998; 24: 185–203.
25. Hill AD. Mann GB. Borgen PI. Cody HS. 3rd. Sentinel lymphatic mapping in breast cancer. Journal of the American College of Surgeons 1999: 188: 545–9.
26. Barth A. Craig PH. Silverstein MJ. Predictors of axillary lymph node metastases in patients with T1 breast carcinoma [Cancer 1997; 79: 1918–22.]
27. Chadha M. Chabon AB, Friedmann P, Vikram B. Predictors of axillary lymph node metastases in patients with T1 breast cancer. A multivariate analysis. Cancer 1994; 73: 350–3.
28. Rosen PP. Groshen S. Saigo PE, Kinne DW, Hellmann S. Pathological prognostic factors in stage I (T1N0M0) and stage II (T1N1M0) breast carcinoma: a study of 644 patients with median follow-up of 18 years. Journal of Clinical Oncology 1989; 7: 1239–51.
29. Pinder SE. Ellis IO, Galea M, O'Rouke S, Blamey RW, Elston CW. Pathological prognostic factors in breast cancer. III. Vascular invasion: relationship with recurrence and survival in a large study with long-term follow-up. Histopathology 1994; 24: 41–7.
30. De Laurentiis M. Gallo C, De Placido S, et al. A predictive index of axillary nodal involvement in operable breast cancer. British Journal of Cancer 1996; 73: 1241–7.
31. Lauria R. Perrone F, Carlomagno C. et al. The prognostic value of lymphatic and blood vessel invasion in operable breast cancer. Cancer 1995; 76: 1772–8.

Claims

Verfahren zum Bestimmen der Klassifikation einer Eigenschaft von Brustgewebe, umfassend: Erhalten von magnetischen Resonanzspektren einer Biopsie von Brustgewebe mit einer unbekannten Klassifikation einer Eigenschaft und Vergleichen der Spektren mit einem Klassifizierer, wobei der Klassifizierer erhalten worden ist durch (a) Lokalisieren einer Mehrzahl von diskriminierenden Unterregionen in magnetischen Resonanzspektren von Biopsien von Brustgewebe, das bekannte Klassifizierer einer Eigenschaft aufweist; (b) Quervalidieren der Spektren durch Auswählen eines ersten Bereichs der Spektren aus jeder Klasse einer Eigenschaft, Entwickeln linearer Diskriminanten-Analyseklassifizierer aus dem ersten Bereich der Spektren aus jeder Klasse und Validieren des Rests der Spektren aus jeder Klasse unter Verwendung der Klassifizierer aus dem ersten Bereich der Spektren aus jeder Klasse, um optimierte lineare Diskriminanten-Analysekoeffizienten zu erhalten, gekennzeichnet durch (c) Wiederholen von Schritt (b) mehrmals, wobei jedes Mal als der erste Bereich der Klasse ein anderer Bereich der Spektren aus jeder Klasse ausgewählt wird, um einen anderen Satz von optimierten linearen Diskriminanten-Analysekoeffizienten für jedes aus der Mehrzahl von Malen zu erhalten; (d) Erhalten eines Durchschnitts der linearen Diskriminanten-Analysekoeffizienten, um endgültige Klassifizierer-Spektren zu erhalten, welche die Klassifikation der Eigenschaft basierend auf den Spektren anzeigen; und (e) wobei Spektren von einer Biopsie von Brustgewebe unbekannter Klassifikation einer Eigenschaft mit den finalen Klassifizierer-Spektren verglichen werden können, um die Klassifikation der Eigenschaft des Brustgewebes zu bestimmen.
Verfahren nach Anspruch 1, wobei der Schritt des Quervalidierens der Spektren das Quervalidieren der Spektren durch zufälliges Auswählen von etwa der Hälfte der Spektren umfasst.
Verfahren nach einem der vorstehenden Ansprüche, wobei der Schritt des mehrfachen Wiederholens von Schritt (b) das 500–1000-malige Wiederholen des Schritts (b) umfasst.
Verfahren nach einem der vorstehenden Ansprüche, weiterhin umfassend die Schritte des unabhängigen Erhaltens einer Mehrzahl von finalen Klassifizierer-Spektren und des Aggregierens der Ergebnisse der unabhängigen Klassifizierer, um eine Konsens-Diagnose zu erhalten.
Verfahren nach einem der vorstehenden Ansprüche, wobei die Eigenschaft Pathologie des Brustgewebes ist und die Klassifikation anzeigt, ob die Pathologie bösartig, gutartig oder normal ist.
Verfahren nach einem der Ansprüche 1 bis 4, wobei die Eigenschaft Tumorvaskularisierung ist und die Klassifikation das Ausmaß der Tumorvaskularisierung anzeigt.
Verfahren nach einem der Ansprüche 1 bis 4, wobei die Eigenschaft Tumorknotenbeteiligung ist und die Klassifikation das Ausmaß der Tumorknotenbeteiligung anzeigt.
Vorrichtung zum Bestimmen der Klassifikation einer Eigenschaft von Brustgewebe, umfassend: ein Spektrometer zum Erhalten von magnetischen Resonanzspektren einer Biopsie von Brustgewebe mit einer unbekannten Klassifikation einer Eigenschaft; und einen Klassifizierer zum statistischen Klassifizieren der Spektren durch Vergleichen der Spektren mit einer Referenz-Klassifikation, wobei der Klassifizierer erhalten wird durch (a) einen Lokalisierer zum Lokalisieren einer Mehrzahl von diskriminierenden Unterregionen in magnetischen Resonanzspektren von Biopsien von Brustgewebe, das bekannte Klassifizierer einer Eigenschaft von Brustgewebe aufweist; (b) einen Quervalidierer zum Auswählen eines Bereichs der Spektren aus jeder Klasse, einer Eigenschaft, Entwickeln linearer Diskriminanten-Analyseklassifizierer aus dem ersten Bereich von Spektren und Validieren des Rests der Spektren aus jeder Klasse unter Verwendung der Klassifizierer aus dem ersten Bereich der Spektren, um optimierte lineare Diskriminanten-Analysekoeffizienten zu erhalten, dadurch gekennzeichnet, dass der Quervalidierer weiterhin zum mehrmaligen Auswählen, Entwickeln und Validieren dient, wobei jedes Mal ein anderer Bereich der Spektren ausgewählt wird, um einen anderen Satz von optimierten linearen Diskriminanten-Analysekoeffizienten für jedes aus der Mehrzahl von Malen zu erhalten; und (c) einen Durchschnittsbilder zum Erhalten eines Durchschnitts der linearen Diskriminanten-Analysekoeffizienten, um endgültige Klassifizierer-Spektren zu erhalten, welche die Klassifikation der Eigenschaft basierend auf den Spektren anzeigen; wobei Spektren von einer Biopsie von Brustgewebe unbekannter Klassifikation einer Eigenschaft mit den finalen Klassifizierer-Spektren verglichen werden können, um die Klassifikation der Eigenschaft des Brustgewebes zu bestimmen.
Vorrichtung nach Anspruch 8, wobei der Quervalidierer etwa die Hälfte der Spektren zufällig auswählt.
Vorrichtung nach Anspruch 8 oder 9, wobei der Quervalidierer Schritt (b) etwa 500–1000 mal wiederholt.
Vorrichtung nach einem der Ansprüche 8 bis 10, wobei die Eigenschaft Pathologie des Brustgewebes ist und die Klassifikation anzeigt, ob die Pathologie bösartig, gutartig oder normal ist.
Vorrichtung nach einem der Ansprüche 8 bis 10, wobei die Eigenschaft Tumorvaskularisierung ist und die Klassifikation das Ausmaß der Tumorvaskularisierung anzeigt.
Vorrichtung nach einem der Ansprüche 8 bis 10, wobei die Eigenschaft Tumorknotenbeteiligung ist und die Klassifikation das Ausmaß der Tumorknotenbeteiligung anzeigt.