Betere analyse m.b.v. geavanceerde beeldvormingstechnieken bij de behandeling van hersentumoren
Glioblastoom (GBM) vormt een aanzienlijke uitdaging bij de behandeling vanwege de moeilijkheid om echte progressie (TP) te onderscheiden van pseudoprogressie (PP) tijdens chemoradiotherapie. TP betekent tumorgroei met een slechte respons op de behandeling, terwijl PP wordt gekenmerkt door tumornecrose met een gunstige respons op de behandeling. Dit lastige verschil maakt het cruciaal om voorspellende markers vroeg in het behandelproces te identificeren. Een recente studie duikt in de wereld van delta-radiomics en onderzoekt het potentieel als prognostische indicatoren tijdens MR-Linac-radiotherapie voor GBM.
De studie concentreerde zich op een groep van GBM-patiënten die 30 fracties chemoRT ondergingen op een MR-Linac. MR-Linac is een combinatie van een radiotherapie versneller met een diagnostische MRI.
MR-Linac integreert een MRI-scanner met een lineaire versneller. De lineaire versneller is de machine die hoogenergetische straling aan de tumor levert. Door het te combineren met een MRI kunnen artsen gedetailleerde beelden van de tumor en de omliggende anatomie in realtime zien, zowel voor als tijdens de bestraling. Dit stelt hen in staat om het behandelplan aan te passen op basis van de huidige positie en vorm van de tumor.
Op de dagelijkse behandelingsscans werden twee aandachtsgebieden geïdentificeerd: de tumor en het gebied rond en van de operatie. Reacties van patiënten werden retrospectief geclassificeerd als
- NP: geen progressie
- TP: tumorgroei met een slechte respons
- PP: tumornecrose met een gunstige respons
Pseudoprogressie (lijkt de tumor groter te zijn geworden terwijl dit helemaal niet het geval is) is een consistent klinisch probleem geweest bij het monitoren van hersentumoren nadat mensen chemotherapie en radiotherapie hebben gekregen. Het treedt op wanneer beeldvormende tests suggereren dat de grootte van de tumor is toegenomen, maar de kanker zich niet echt heeft verspreid of gegroeid, wat soms leidt tot ongelukkige interferentie met de patiëntenzorg en de interpretatie van hersenscans.
De belangrijkste oorzaak van dit fenomeen is het chemotherapiemedicijn tegen kanker, Temozolomide, dat deel uitmaakt van de standaardzorg voor de behandeling van glioom. Het medicijn kan een aanvankelijke toename van de tumor veroorzaken, gevolgd door een afname van de tumorlast. Uiteindelijk leidt dit soms tot een voorbarige beslissing om te stoppen met de medicijnen die het individu daadwerkelijk ten goede kunnen komen.
Wat waren de resultaten?
Van de 36 gescreende patiënten werden er 27 in het onderzoek opgenomen. Tien hadden geen progressie(NP), 11 hadden tumorgroei met een slechte respons (TP) en 6 hadden tumornecrose met een gunstige respons (PP). De studie maakte gebruik van een machine learning-model, waaruit bleek dat zes van de tien vroege veranderingen in de micro-omgeving van de laesie/tumor aangaven.
Conclusie uit het onderzoek
De studie toont aan dat delta-radiomische kenmerken geëxtraheerd uit MR-Linac-beeldvorming veelbelovend zijn bij het voorspellen van de verschillen tussen PP en TP bij GBM-patiënten tijdens de behandeling.
Deze vroege identificatie, vooral binnen de eerste 10 fracties, zou artsen in staat kunnen stellen om de behandeling in realtime aan te passen of te intensiveren voor patiënten met een slechte respons. De bevindingen maken de weg vrij voor toekomstig onderzoek met grotere patiëntencohorten en aanvullende MRI-contrasten, zoals MR-Linac multiparametrische MRI, om de voorspellende mogelijkheden verder te verbeteren.
Samenvattend verkent dit onderzoek een nieuwe manier om tijdens de behandeling naar beelden van hersentumoren te kijken. De studie suggereert dat bepaalde kenmerken, wanneer ze worden geanalyseerd met behulp van geavanceerde beeldvormingstechnieken, artsen kunnen helpen bepalen of de tumor goed reageert op de behandeling of niet. Deze vroege detectie zou artsen in staat kunnen stellen het behandelplan in realtime aan te passen voor betere resultaten. Hoewel er meer onderzoek nodig is, is deze aanpak veelbelovend voor het verbeteren van de manier waarop we glioblastoom beheren en behandelen.