S'abonner

Predicting the response to neoadjuvant chemoradiation for rectal cancer using nomograms based on MRI tumour regression grade - 30/08/24

Prédiction de la réponse à la chimioradiothérapie néoadjuvante pour le cancer du rectum en utilisant des nomogrammes basés sur le grade de régression tumorale IRM

Doi : 10.1016/j.canrad.2024.01.004 
S. Qin a, 1, Y. Chen a, 1, K. Liu a, Y. Li b, Y. Zhou a, W. Zhao a, P. Xin a, Q. Wang a, S. Lu c, H. Wang d, 1, N. Lang a, , 1
a Department of Radiology, Peking University Third Hospital, Beijing, China 
b College of Basic Medical Sciences, Peking University Health Science Centre, Beijing, China 
c Department of General Surgery, Peking University Third Hospital, Beijing, China 
d Department of Radiation Oncology, Cancer Center, Peking University Third Hospital, Beijing, China 

Corresponding author.

Abstract

Purpose

This study aimed to develop nomograms that combine clinical factors and MRI tumour regression grade to predict the pathological response of mid-low locally advanced rectal cancer to neoadjuvant chemoradiotherapy.

Methods

The retrospective study included 204 patients who underwent neoadjuvant chemoradiotherapy and surgery between January 2013 and December 2021. Based on pathological tumour regression grade, patients were categorized into four groups: complete pathological response (pCR, n=45), non-complete pathological response (non-pCR; n=159), good pathological response (pGR, n=119), and non-good pathological response (non-pGR, n=85). The patients were divided into a training set and a validation set in a 7:3 ratio. Based on the results of univariate and multivariate analyses in the training set, two nomograms were respectively constructed to predict complete and good pathological responses. Subsequently, these predictive models underwent validation in the independent validation set. The prognostic performances of the models were evaluated using the area under the curve (AUC).

Results

The nomogram predicting complete pathological response incorporates tumour length, post-treatment mesorectal fascia involvement, white blood cell count, and MRI tumour regression grade. It yielded an AUC of 0.787 in the training set and 0.716 in the validation set, surpassing the performance of the model relying solely on MRI tumour regression grade (AUCs of 0.649 and 0.530, respectively). Similarly, the nomogram predicting good pathological response includes the distance of the tumour's lower border from the anal verge, post-treatment mesorectal fascia involvement, platelet/lymphocyte ratio, and MRI tumour regression grade. It achieved an AUC of 0.754 in the training set and 0.719 in the validation set, outperforming the model using MRI tumour regression grade alone (AUCs of 0.629 and 0.638, respectively).

Conclusions

Nomograms combining MRI tumour regression grade with clinical factors may be useful for predicting pathological response of mid-low locally advanced rectal cancer to neoadjuvant chemoradiotherapy. The proposed models could be applied in clinical practice after validation in large samples.

Le texte complet de cet article est disponible en PDF.

Résumé

Objectif de l’étude

Cette étude visait à élaborer des nomogrammes combinant des facteurs cliniques et le grade de régression tumorale par imagerie par résonance magnétique pour prédire la réponse pathologique à la chimioradiothérapie néoadjuvante du cancer rectal localement évolué de stade intermédiaire à bas.

Méthodes

L’étude rétrospective a inclus 204 patients pris en charge par chimioradiothérapie néoadjuvante et une intervention chirurgicale entre janvier 2013 et décembre 2021. Selon le grade pathologique de régression tumorale, les patients ont été répartis en quatre groupes : réponse pathologique complète (pCR, n=45), ou non (n=159), bonne réponse pathologique (n=119) ou non (n=85). Les patients ont été répartis en un ensemble d’entraînement et un ensemble de validation dans un rapport de 7:3. En se basant sur les résultats des analyses uni- et multifactorielles dans l’ensemble d’entraînement, deux nomogrammes ont été respectivement élaborés pour prédire la réponse pathologique, bonne ou complète. Par la suite, ces modèles prédictifs ont été validés dans l’ensemble de validation indépendant. Les performances pronostiques des modèles ont été évaluées en utilisant l’aire sous la courbe (AUC).

Résultats

Le nomogramme prédisant la réponse pathologique complète intègre la taille de la tumeur, l’implication de la fascia mésorectale après le traitement, le nombre de globules blancs et le grade de régression tumorale par imagerie par résonance magnétique. Il a obtenu une AUC de 0,787 dans l’ensemble d’entraînement et de 0,716 dans l’ensemble de validation, dépassant les performances du modèle reposant uniquement sur le grade de régression tumorale par imagerie par résonance magnétique (AUCs respectivement de 0,649 et 0,530). De même, le nomogramme prédisant la bonne réponse pathologique inclut la distance de la bordure inférieure de la tumeur par rapport à la marge anale, l’implication de la fascia mésorectale après le traitement, le ratio plaquettes/lymphocytes et le grade de régression tumorale par imagerie par résonance magnétique. Il a atteint une AUC de 0,754 dans l’ensemble d’entraînement et de 0,719 dans l’ensemble de validation, surpassant le modèle utilisant uniquement le grade de régression tumorale par imagerie par résonance magnétique (AUCs respectivement de 0,629 et 0,638).

Conclusions

Les nomogrammes combinant le grade de régression tumorale par imagerie par résonance magnétique et des facteurs cliniques peuvent être utiles pour prédire la réponse pathologique à la chimioradiothérapie néoadjuvante du cancer rectal localement évolué de stade intermédiaire à bas. Les modèles proposés pourraient être appliqués dans la pratique clinique après validation sur de grands échantillons.

Le texte complet de cet article est disponible en PDF.

Keywords : Nomogram, Locally advanced rectal cancer, MRI, Neoadjuvant chemoradiotherapy, Tumour regression grade

Mots clés : Cancer rectal, IRM, Chimiothérapie, Néoadjuvant régression, Tumeur


Plan


© 2024  Société française de radiothérapie oncologique (SFRO). Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 28 - N° 4

P. 341-353 - août 2024 Retour au numéro
Article précédent Article précédent
  • Escalade de dose en radiothérapie modérément hypofractionnée pour les cancers de la prostate localisés, ESHYPRO : résultats d’une série monocentrique rétrospective évaluant la toxicité et l’efficacité
  • K. Quintin, G. Créhange, P. Graff
| Article suivant Article suivant
  • Automatic segmentation of high-risk clinical target volume and organs at risk in brachytherapy of cervical cancer with a convolutional neural network
  • J. Zhu, J. Yan, J. Zhang, L. Yu, A. Song, Z. Zheng, Y. Chen, S. Wang, Q. Chen, Z. Liu, F. Zhang

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.