Identifikation von Brustkrebspatientinnen mit einer pathologischen Komplettremission in der Brust nach neoadjuvanter Systemtherapie mittels intelligenter vakuum-assistierter Biopsie

Zielsetzung Neoadjuvante Systemtherapien führen bei etwa 35% aller Brustkrebspatientinnen zu einer pathologischen Komplettremission (pCR). Die Operation bei diesen Patientinnen ohne residuellen Tumor stellt eine potentielle Übertherapie dar. Wir untersuchten multivariate Algorithmen unter Verwendung von Patientinnen-, Tumor- und vakuum-assistierten Biopsie (VAB) Variablen, um Patientinnen ohne residuellen Tumor in der Brust zu identifizieren.

Methoden Wir entwickelten und testeten vier multivariate Algorithmen: logistic regression with elastic net penalty, Extreme Gradient Boosting (XGBoost) tree, Support Vector Machines (SVM) und ein Neuronales Netzwerk. Daten aus drei Studien von 457 Patientinnen mit Brustkrebs Stadium 1-3, die eine VAB vor Operation erhielten, wurden verwendet. Endpunkte waren die falsch-negativ Rate (FNR) und Spezifität des Algorithmus im Vergleich zur Operation. Der beste Algorithmus wurde an Daten einer unabhängigen vierten Studie validiert.

Ergebnisse Die externe Validierung (n=50) des Neuralen Netzwerks zeigte eine FNR von 0% (0 von 27) und eine Spezifität von 65,2% (15 von 23). Fläche unter der ROC Kurve war 0,97 (95% CI, 0,94-1.00).

Zusammenfassung Ein multivariater Algorithmus kann zuverlässig Patientinnen ohne residuellen Tumor nach neoadjuvanter Therapie identifizieren.

Pfob A et al. Eur J Cancer. 2021. doi: 10.1016/j.ejca.2020.11.006

Table 1 Diagnostische Güte bei der Detektion residuellen Tumors der multivariaten Algorithmen sowie der Routine-Bildgebung und vakuum-assistierten Biospie.

	Test Set (n=152)							Validierungsset (n=50)
	Bildgebung	VAB	Bildgebung + VAB	Logistic regression with elastic net penalty	Extreme Gradient Boosting tree	Support Vector Machine	Neuronales Netzwerk	Neuronales Netzwerk
Falsch-negativ Rate - % (95% CI); no.	25,9% (17,0-36,5%); 22 von 85	16,5% (9,3-26,1%); 14 von 85	5,9% (1,9-13,2%); 5 von 85	1,2% (0,0-6,4%); 1 von 85	1,2% (0,0-6,4%); 1 von 85	1,2% (0,0-6,4%); 1 von 85	1,2% (0,0-6,4%); 1 von 85	0,0% (0,0-12,8%); 0 von 27
Spezifität - % (95% CI); no.	61,2% (48,5-72,9%); 41 von 67	89,6% (79,7-95,7%); 60 von 67	52,2% (39,7-64,6%); 35 von 67	52,2% (39,7-64,6%); 35 von 67	55,2% (42,6-67,4%); 37 von 85	62,7% (50,0-74,2%); 42 von 67	67,2% (54,6-78,2%); 45 von 67	65,2% (42,7-83,6%); 14 von 23
Negativ prädiktiver Wert - % (95% CI); no.	65,1% (52,0-76,7%); 41 von 63	81,1% (70,3-89,3%); 60 von 74	87,5% (73,2-95,8%); 35 von 40	97,2% (85,5-99,9%); 35 von 36	97,4% (86,2-99,9%); 37 von 38	97,7% (87,7-99,9%); 42 von 43	97,8% (88,5-99,9%); 45 von 46	100% (78,2-100%); 15 von 15
Positiv prädiktiver Wert - % (95% CI); no.	70,8% (60,2-79,9%); 63 von 89	91,0% (82,4-96,3%); 71 von 78	71,4% (62,1-79,6%); 80 von 112	72,4% (63,3-80,3%); 84 von 116	73,7% (64,6-81,5%); 84 von 114	77,1% (68,0-84,6%); 84 von 109	79,3% (70,3-86,5%); 84 von 106	77.1% (59.9-89.6%); 27 von 35
AUROC - Wert (95% CI)	-	-	-	0,97 (0,95-1,00)	0,97 (0,95-0,99)	0,97 (0,94-0,99)	0,97 (0,95-0,99)	0,93 (0,86-1,00)

Interessenkonflikt

Es bestehen keine Interessenkonflikte.

Publication History

Article published online:
01 June 2021