Phd-projekt om individualiseret screening

Transkript

1 Phd-projekt om individualiseret screening Brystdensitet - en risikofaktor for brystkræft DRS og DSKFNM årsmøde den 30. januar 2014 Odense Rikke Rass Winkel, læge, klinisk assistent

2 Ph.d. titel Risk stratification of women in mammography screening based on radiological and computerized analysis of breast density and parenchymal pattern with respect to future personalized mammography screening

3 Del af et større projekt støttet af Højteknologifonden Samarbejde mellem Region Hovedstadens Screeningsprogram Datalogisk Institut Folkesundhedsvidenskab Biomediq Overordnede formål: at videreudvikle teknologi, der gør det muligt at benytte mammografi til ikke kun at diagnosticere eksisterende kræft, men til også at vurdere risikoen for fremtidige forekomster af brystkræft

4 Stor international interesse og forskning indenfor områderne densitet og parenkymmønster som risikofaktor for brystkræft

5 Brystdensitet afspejler sammensætningen af fedtvæv, bindevæv og epitelvæv Fremtidsperspektiv: Individualiseret screening ud fra den enkelte kvindes risikoprofil Densitet indgår i dag ikke i kliniske risikomodeller og fortsat diskussion om hvordan man bedst bestemmer/måler densitet

6 Densitet er associeret til brystkræft i forhold til mammografisk sensitivitet (masking) som en selvstændig risikofaktor Metaanalyse fra 2006 *: 42 studier (> cases og kontroller) Kvinder med øget densitet (>75%) har en 4-6 x øget risiko for brystcancer i forhold til kvinder med lav densitet (<5%) *McCormack et al., AACR Cancer epidemiology, biomarkers & prevention, 2006

7 Måling af densitet/parenkymmønster Wolfe (deskriptiv) Tabár (deskriptiv) BI-RADS (deskriptiv/kvantitativ) Percentage Mammographic Density (PMD) (kvantitativ; delvist eller fuldt automatiseret areal mål) Andre - der forskes aktivt i nye mål og målemetoder: Absolut areal mål, peak density, varians mål, volumen mål, texture m.m.

8 BI-RADS density classification Mest udbredte metode i klinisk praksis 4 kategorier (deskriptive med tilføjelse af procentandel af fibroglandulært væv i seneste udgave fra 2003) <25% 25-50% 50-75% >75% Illustration af BI-RADS D1-D4 Digitale mammogrammer, RH

9 BI-RADS density classification Til hensigt at give henvisende læge en idé om sandsynligheden for at en cancer bliver detekteret eller overset (masking) Er nu omfattet af lovgivningen i flere amerikanske stater AuntMinnie.com

10 Tabárs klassifikation Baseret på en anatomisk-mammografisk korrelation Inddeler i 5 mammografiske parenkymmønstre baseret på forskellige relative forhold af 4 grundstrukturer samt disses udseende Grundstrukturer: Nodulære, lineære og homogene strukturløse densiteter samt røntgen svage områder (fedt) Illustration af Tabar Pattern I-V Filmbaserede mammogrammer fra delstudie 1, BBH

11 Percentage Mammographic Density (PMD) Arealet af det fibroglandulære væv i.f.t arealet af hele brystet Assisteret: En operatør definerer brystgrænsen og afgrænser kirtelvævet Automatiseret: Computeren laver selv alle beregningerne Udbredt metode i kliniske studier Artefakter Operatøren vælger det mest optimale threshold, der adskiller det dense (fibroglandulære) væv fra det ikke-dense væv

12 Texture score Bygger på computer baserede mønstergenkendelses teknikker og machine learning Udregner en form for samlet sandsynlighed for om dette er et højrisikomønster på baggrund af hvad der tidligere er registreret som et case- eller kontrol parenkymmønster Udkommer med et samlet mål (tal) for arkitekturen i mammogrammet Texture-scoren er fuldt automatiseret, objektiv og reproducerbar

13 Individualiseret screening Et præcist og reproducerbart mål for densitet/parenkymmønster forventes at kunne (være med til at) danne udgangspunkt for hyppigheden samt typen af screening for den enkelte kvinde og være med til at forbedre tidlig diagnosticering og overlevelse

14 Individualiseret screening Mulige tilbud til høj-risiko kvinderne kunne være: MR UL (evt. automatiseret) Ændret screeningsinterval Supplerende tomosyntese Tomosyntese er en 3D billeddannelse, der ved et antal low dose optagelser inddeler brystet i ca. 1mm tynde snitbilleder

15 Ph.d. delprojekter 1. Sammenligne 5 forskellige måder at måle densitet eller parenkymmønster (texture) mammografisk (retrospektivt case-kontrol studie) 2. Undersøge kvinder med falsk-positive svar, der senere alligevel viser sig at udvikle en cancer i.f.t. deres brystdensitet/parenkymmønster 3. Undersøge om tomosyntese i screeningen øger sensitiviteten samt specificiteten (flere cancere opdages og antallet af falsk-positive reduceres)

16 Foreløbige resultater interobservatør studie over de tre subjektive metoder: Metode Retrospektivt case-kontrol studie (1:2) Baseret på alle kvinder (14.736) med en negativ screening fra Bispebjerg Hospital i 2007 (film-baserede) fulgt til udgangen af kvinder (765 bryster) inkluderet Resultater Blandt to læger fandt vi en høj grad af enighed (substantial til almost perfect) for alle tre metoder (BI-RADS, Tabar og PMD) De to læger vurderede mellem 4,7% og 12,5% af kvinderne til forskellige risikogrupper på en high/low-risk basis

17 Sammenhængen mellem densitet/parenkymmønster og en kvindes risiko for at udvikle brystkræft Reader 1 Reader 2 OR (95% Cl)* OR (95% Cl)* BIRADS D1 1 (reference) 1 (reference) D ( ) 1.57 ( ) D ( ) 3.17 ( ) D ( ) 3.45 ( ) Tabar classification PI 1.56 ( ) 3.31 ( ) PII 1 (reference) 1 (reference) PIII 2.36 ( ) 5.62 ( ) PIV 4.14 ( ) 7.69 ( ) PV 1.04 ( ) 4.05 ( ) Percentage density Q1 1 (reference) 1 (reference) Q ( ) 1.51 ( ) Q ( ) 2.09 ( ) Q ( ) 4.66 ( ) * Justeret for alder

18 Konklusion Sammenlignelig høj grad af enighed mellem de to Readers for alle tre metoder men interobservatør forskellene har forskellig impact på risiko estimaterne for de tre metoder Begge Readers finder at Tabárs PIV er et væsentligt høj-risiko parenkymmønster (højeste odds ratioer) Forskellige tiltag ville formentlig kunne øge graden af enighed yderligere, men en præcis og automatiseret teknik er nødvendig for fuldt at eliminere den indflydelse subjektivitet har på risikogruppe klassificering og risiko estimering

19 Tak til: Hovedvejleder: Klinikchef Radiologisk Afdeling, Screeningschef, overlæge Ilse Vejborg Radiologisk klinik, Rigshospitalet Projektvejleder: Professor, overlæge, dr.med., ph.d. Michael Bachmann Nielsen Radiologisk klinik, Rigshospitalet Medvejledere: Lektor, ph.d. My von Euler-Chelpin Institut for Folkesundhedsvidenskab, Københavns Universitet Professor, ph.d. Mads Nielsen Datalogisk Institut, Københavns Universitet og Biomediq A/S Projektet er støttet af Højteknologifonden