דיווח ומערכת נתונים על דימות כבד
דיווח ומערכת נתונים על דימות כבד (באנגלית: LI-RADS) היא כלי לבקרת איכות, אשר המכללה האמריקאית לרדיולוגיה (ACR) פיתחה וסימנה מסחרית בשנת 2011, על מנת לקבוע תקן עבור הדיווח ואיסוף הנתונים של מטופלים בהדמיות CT ו-MRI, אשר נמצאים בסיכון לסרטן כבד ראשוני (אנ').[1] ה-LI-RADS מספק לרדיולוג מסגרת סטנדרטית עבור סיווג נגעי כבד, המיושם רק על מטופלי מחלות כבד כרוניות, הגורם העיקרי לסרטן הכבד. הסיווג המדרגי, מ-LR1 ל-LR5, מבוסס על תכונות הדמיה מסוימות עבור הנגע הנדון, ותואם למידת החשד לממאירות הגידול. סיווג הLI-RADS : אם הגידול הוא "בהחלט" שפיר הוא יסווג כ-LR1, גידול שהוא "כנראה" שפיר יסווג כ-LR2, גידול עם סבירות ביניים לממאירות יסווג כ-LR3, גידול שהוא "כנראה" HCC יסווג כ-LR4, וגידול שהוא "בהחלט" HCC יסווג כ-LR5.
הקבלה ההולכת וגוברת של מערכת הדיווח של ה-LI-RADS על ידי קלינאים (בעיקר אונקולוגים, ומנתחי כבד, כיס מרה, והשתלות כבד) הפחיתה את הצורך בבדיקת ביופסיית רקמות עבור סרטן במטופלי מחלות כבד כרוניות.
מערכת ה-LI-RADS עברה שני תיקונים, הראשון בשנת 2014,[2] ו-2 ביולי 2018.[3]
בשנת 2016, ה-ACR פרסמה גרסת LI-RADS, אשר חלה על הדמיית אולטרסאונד בעלת ניגודיות-משופרת, המכונה CEUS LI-RADS.[1]
LI-RAD גרסת 2018
LI-RADS גרסת 2018 עושה שינויים מעטים בסיווג, המשפרת את הרגישות באבחנת HCC קטנים (1~2ס"מ).[4]
שינויים בסיווג מובילים באופן בלתי נמנע לשינויים ב-T-stage רדיולוגי, אשר נקבע על פי גודל ומספר התצפיות שהן HCC מוגדר (LR5 עבור LI-RADS) או על ידי HCC המוכח פתולוגי. בהשוואה ל-LI-RADS גרסת 2017, T-stage הרדיולוגי שהוקצה בעזרת LI-RADS 2018 עלה בקרב 12.5% מהמטופלים וירד אצל 0.5%. שינויים אלו הביאו לדיוק גבוה יותר בגרסת 2018, עקב כך הושפע מתן סדר העדיפויות להשתלות כבד בקרב המטופלים.[5]
תפקיד ה-LI-RADS בהשתלת כבד
הטיפול הרפואי הפוטנציאלי היחיד עבור HCC, בהנחה שהמחלה לא התפשטה מעבר לגבולות הכבד, הוא ניתוח להסרת הגידול מן הגוף. בחלק מהמקרים, כאשר הגידול מוגבל והמטופל בריא דיו לסבול ניתוח, ניתן לטפל בהצלחה בגידול על ידי כריתת החלק הנגוע בכבד (כריתת כבד חלקית). אם החולה אינו מועמד טוב לכריתה כירורגית עקב מחלת כבד מתקדמת (הנקבע בדרך כלל על ידי Child–Pugh score), השתלת כבד עדיין עשויה להיות אפשרות לטיפול רפואי. בהינתן והמחלה לא התפשטה מעבר לכבד, אז השתלת הכבד ביעילות מסירה את כל תאי הסרטן מן הגוף, תוך שהיא גם מחליפה את הכבד המקורי החולה באיבר המושתל המתפקד באופן טוב יותר.
לתהליך השתלת כבד ישנם סיכונים משמעותיים, כולל הסיכון לחלות בסרטן בשנית. התוצאות ויתרונות ההישרדותיים של השתלת כבד כטיפול ל-HCC הם הגבוהים ביותר כאשר ההשתלה מיועדת למועמדים "הטובים ביותר" אשר עומדים בקריטריונים מחמירים. בנוסף לביצוע הערכה רפואית ופסיכולוגית מלאה, הערכת הדמיה לגבי מידת התפשטות הסרטן היא מרכיב חשוב בזכאות להשתלה. ממחקר שהיווה ציון דרך, שנערך ב-1996, נראה כי הן ההישרדות הכוללת והן ההישרדות ללא הישנות, הנוגעות להשתלת כבד עבור שחמת ועבור HCC שלא ניתן לטפלו בעזרת ניתוח, שופרו על ידי הגבלת טיפול זה למחלות שעומדות בקריטריונים קפדניים מסוימים, המכונים כיום קריטריוני מילאנו.[6] הקריטריונים כוללים הערכה של גודל ומספר גידולי הכבד הפעילים, וכן גם את היעדר הפלישה לכלי דם גדולים. כעת, בארצות הברית ועדת ה-Organ Procurement and Transplantation Network) OPTN) משתמשים בקריטריון מילאנו, על מנת להעריך מועמדות עבור השתלת כבד.[7] רק אנשים עם מחלה מוגבלת, על פי הגדרת הקריטריונים, נלקחים בחשבון להשתלה.
מועמדים פוטנציאליים להשתלת כבד כטיפול ל-HCC מוערכים ונבדקים מחדש תקופתית על ידי בדיקות הדמיה חוזרות ונשנות בזמן שהם ממתינים לזמינות איברי התורם. כל עוד שהסרטן אינו עולה על רף קריטריוני מילאנו האדם עשוי להישאר מועמד להשתלה. הערכה מדויקת ועקבית של חומרת המחלה היא קריטית. למשל, אם אדם בעל 3 נגעי HCC קטנים מפתח נגע כבד רביעי חדש, אבחנה חד משמעית של נגע זה כסרטנית תפסול אדם זה ממועמדותו להשתלה.
חמש השכבות של מערכת הדיווח של LI-RADS נועדו להתאים לסיווג חמש השכבות המומלץ על ידי United Network for Organ Sharing) UNOS) אשר מנהלים את OPTN.[7] לכל דבר ועניין, OPTN/UNOS רמות 1–5 תואמות את סיווג 1–5 של LI-RADS אף על פי שישנם כמה הבדלים קטנים:
- לרמה 0 של OPTN(מחקר הדמיה לקוי טכנית או לא שלם) לא קיימת קטגוריית LI-RADS מקבילה.
- מערכת OPTN מחלקת את רמה 5 שלה לתתי רמות המותאמות לגודל הגידול ולמצב הטיפול (OPTN 5A, 5B, 5X, 5T).
- מערכת ה-LI-RADS כוללת מספר דקויות וכללים נלווים ל"שבירת שוויון" אשר עשוי להכריע את סיווג הנגע.
אף על פי שישנן 5 רמות סיווג, הסיווג המשמעותי ביותר והיחיד אשר בר ביצוע הוא LI-RADS או OPTN/UNOS 5, אשר מצביע כי נגע הוא "בהחלט" סרטני. ההמלצות של UNOS-OPTN הן לא לספק הכוונה לגבי נגעי כבד שאינם עומדים בקריטריונים מחמירים אלו לממאירות.
מיצוי אוטומטי בעזרת למידת מכונה
כלי לעיבוד שפה טבעית[8] הזמין לחישוב קטגוריית ההערכה של ה-LI-RADS מתוך הממצאים שנרשמו בדוחות הרדיולוגיה הטקסטואלית (המתועדים ללא תבנית LI-RADS), אשר עשויים לאפשר תקן להמלצות להקרנה ותכנון טיפולי עבור חולים בסיכון לחלות בסרטן HCC באמצעות אותם קריטריוני ניקוד. בנוסף, מערכת כזו יכולה להקל על מחקר רפואי המבוסס על בינה מלאכותית באמצעות תמונות, בעזרת הצעת מיצוי טקסט בקנה מידה רחב ובעזרת איסוף נתונים ממאגרי נתונים קליניים סטנדרטיים מבתי חולים.
אבחון HCC אצל חולי שחמת בעזרת למידת-מכונה Radiomics
ניתן להכשיר למידת-מכונה בשיטת Radiomics לאבחון HCC אצל חולי שחמת בעלי נגעי כבד המסווגים כבלתי מוגדרים על ידי הכוונה של האיגוד האירופאי לחקר הכבד (EASL).
מטרת השיטה היא לשפר את קבלת ההחלטות של הצוות הרפואי על ידי אבחון HCC בקרב חולי שחמת בעלי נגעי כבד שאינם מוגדרים בעזרת מאפייני הדמיה כמותיים המופקים מסריקות CT תלת-פאזיות.[9]
נמצא כי חתימה המשתמשת במאפיין יחיד קיבלה תוקף בקבוצת מבחן לאבחון HCC בקרב חולי שחמת בעלי נגעים לא מוגדרים בכבד. מכאן שבינה מלאכותית יכולה לשפר את החלטת הקלינאים על ידי זיהוי תת-קבוצה של החולים עם סיכון גבוה ל-HCC.
הערות שוליים
- ^ 1.0 1.1 American College of Radiology, Liver Imaging Reporting and Data System, ACR.org, Retrieved 19 February 2017
- ^ American College of Radiology, LI-RADS v2014, Retrieved 2017-07-09
- ^ American College of Radiology, CT/MRI LI-RADS® v2017, Retrieved 2017-07-09
- ^ Lee, Sang Min; Lee, Jeong Min; Ahn, Su Joa; Kang, Hyo-Jin; Yang, Hyun Kyung; Yoon, Jeong Hee, LI-RADS Version 2017 versus Version 2018: Diagnosis of Hepatocellular Carcinoma on Gadoxetate Disodium–enhanced MRI, Radiology 292, 6 July 2019, עמ' 655–663 doi: https://doi.org/10.1148%2Fradiol.2019182867
- ^ Victoria Chernyak Milana Flusberg Jesse Berman Kate C. Fruitman Mariya Kobi Kathryn J. Fowler Claude B. Sirlin, Liver Imaging Reporting and Data System Version 2018: Impact on Categorization and Hepatocellular Carcinoma Staging, AASLD 25, 25 July 2019, עמ' 1488-1502 doi: https://doi.org/10.1002/lt.25614
- ^ Mazzaferro, Vincenzo; Regalia, Enrico; Doci, Roberto; Andreola, Salvatore; Pulvirenti, Andrea; Bozzetti, Federico; Montalto, Fabrizio; Ammatuna, Mario; Morabito, Alberto, Liver Transplantation for the Treatment of Small Hepatocellular Carcinomas in Patients with Cirrhosis, New England Journal of Medicine 334, 1996-03-14, עמ' 693-700 doi: 10.1056/NEJM199603143341104
- ^ 7.0 7.1 Wald, Christoph; Russo, Mark W.; Heimbach, Julie K.; Hussain, Hero K.; Pomfret, Elizabeth A.; Bruix, Jordi, New OPTN/UNOS Policy for Liver Transplant Allocation: Standardization of Liver Imaging, Diagnosis, Classification, and Reporting of Hepatocellular Carcinoma, Radiology 266, 2013-02-01, עמ' 376-382 doi: https://doi.org/10.1148%2Fradiol.12121698
- ^ Banerjee, Imon; Choi, Hailye H.; Desser, Terry; Rubin, Daniel L., "A Scalable Machine Learning Approach for Inferring Probabilistic US-LI-RADS Categorization", AMIA Symposium 2018, 2018, עמ' 215–224
- ^ Fatima-Zohra Mokrane, Lin Lu, Adrien Vavasseur, Philippe Otal, Jean-Marie Peron, Lyndon Luk, Hao Yang, Samy Ammari, Yvonne Saenger, Herve Rousseau, Binsheng Zhao, Lawrence H. Schwartz & Laurent Dercle, Radiomics machine-learning signature for diagnosis of hepatocellular carcinoma in cirrhotic patients with indeterminate liver nodules, European Radiology 30, 2019 August 23, עמ' 558-570 doi: 10.1007/s00330-019-06347-w
39026535דיווח ומערכת נתונים על דימות כבד