A Longitudinal MRI-Based Artificial Intelligence System to Predict Pathological Complete Response After Neoadjuvant Therapy in Rectal Cancer: A Multicenter Validation Study

Abstract

BACKGROUND: Accurate prediction of response to neoadjuvant chemoradiotherapy is critical for subsequent treatment decisions for patients with locally advanced rectal cancer. OBJECTIVE: To develop and validate a deep learning model based on the comparison of paired MRI before and after neoadjuvant chemoradiotherapy to predict pathological complete response. DESIGN: By capturing the changes from MRI before and after neoadjuvant chemoradiotherapy in 638 patients, we trained a multitask deep learning model for response prediction (DeepRP-RC) that also allowed simultaneous segmentation. Its performance was independently tested in an internal and 3 external validation sets, and its prognostic value was also evaluated. SETTINGS: Multicenter study. PATIENTS: We retrospectively enrolled 1201 patients diagnosed with locally advanced rectal cancer who underwent neoadjuvant chemoradiotherapy before total mesorectal excision. Patients had been treated at 1 of 4 hospitals in China between January 2013 and December 2020. MAIN OUTCOME MEASURES: The main outcome was the accuracy of predicting pathological complete response, measured as the area under receiver operating curve for the training and validation data sets. RESULTS: DeepRP-RC achieved high performance in predicting pathological complete response after neoadjuvant chemoradiotherapy, with area under the curve values of 0.969 (0.942–0.996), 0.946 (0.915–0.977), 0.943 (0.888–0.998), and 0.919 (0.840–0.997) for the internal and 3 external validation sets, respectively. DeepRP-RC performed similarly well in the subgroups defined by receipt of radiotherapy, tumor location, T/N stages before and after neoadjuvant chemoradiotherapy, and age. Compared with experienced radiologists, the model showed substantially higher performance in pathological complete response prediction. The model was also highly accurate in identifying the patients with poor response. Furthermore, the model was significantly associated with disease-free survival independent of clinicopathological variables. LIMITATIONS: This study was limited by its retrospective design and absence of multiethnic data. CONCLUSIONS: DeepRP-RC could be an accurate preoperative tool for pathological complete response prediction in rectal cancer after neoadjuvant chemoradiotherapy. UN SISTEMA DE IA BASADO EN RESONANCIA MAGNÉTICA LONGITUDINAL PARA PREDECIR LA RESPUESTA PATOLÓGICA COMPLETA DESPUÉS DE LA TERAPIA NEOADYUVANTE EN EL CÁNCER DE RECTO: UN ESTUDIO DE VALIDACIÓN MULTICÉNTRICO ANTECEDENTES: La predicción precisa de la respuesta a la quimiorradioterapia neoadyuvante es fundamental para las decisiones de tratamiento posteriores para los pacientes con cáncer de recto localmente avanzado. OBJETIVO: Desarrollar y validar un modelo de aprendizaje profundo basado en la comparación de resonancias magnéticas pareadas antes y después de la quimiorradioterapia neoadyuvante para predecir la respuesta patológica completa. DISEÑO: Al capturar los cambios de las imágenes de resonancia magnética antes y después de la quimiorradioterapia neoadyuvante en 638 pacientes, entrenamos un modelo de aprendizaje profundo multitarea para la predicción de respuesta (DeepRP-RC) que también permitió la segmentación simultánea. Su rendimiento se probó de forma independiente en un conjunto de validación interna y tres externas, y también se evaluó su valor pronóstico. ESCENARIO: Estudio multicéntrico. PACIENTES: Volvimos a incluir retrospectivamente a 1201 pacientes diagnosticados con cáncer de recto localmente avanzado y sometidos a quimiorradioterapia neoadyuvante antes de la escisión total del mesorrecto. Eran de cuatro hospitales en China en el período entre enero de 2013 y diciembre de 2020. PRINCIPALES MEDIDAS DE RESULTADO: Los principales resultados fueron la precisión de la predicción de la respuesta patológica completa, medida como el área bajo la curva operativa del receptor para los conjuntos de datos de entrenamiento y validación. RESULTADOS: DeepRP-RC logró un alto rendimiento en la predicción de la respuesta patológica completa después de la quimiorradioterapia neoadyuvante, con valores de área bajo la curva de 0,969 (0,942–0,996), 0,946 (0,915–0,977), 0,943 (0,888–0,998), y 0,919 (0,840–0,997) para los conjuntos de validación interna y las tres externas, respectivamente. DeepRP-RC se desempeñó de manera similar en los subgrupos definidos por la recepción de radioterapia, la ubicación del tumor, los estadios T/N antes y después de la quimiorradioterapia neoadyuvante y la edad. En comparación con los radiólogos experimentados, el modelo mostró un rendimiento sustancialmente mayor en la predicción de la respuesta patológica completa. El modelo también fue muy preciso en la identificación de los pacientes con mala respuesta. Además, el modelo se asoció significativamente con la supervivencia libre de enfermedad independientemente de las variables clinicopatológicas. LIMITACIONES: Este estudio estuvo limitado por el diseño retrospectivo y la ausencia de datos multiétnicos. CONCLUSIONES: DeepRP-RC podría servir como una herramienta preoperatoria precisa para la predicción de la respuesta patológica completa en el cáncer de recto después de la quimiorradioterapia neoadyuvante. (Traducción—Dr. Felipe Bellolio)