Prädiktion von Gesamtüberleben und molekularem Tumorsubtyp im pankreatischen duktalen Adenokarzinom mittels Machine Learning.

Zielsetzung Entwicklung eines machine-learning-Modells für die Voraussage des Gesamtüberlebens (über vs. unter dem Median) von Patienten mit pankreatischem duktalen Adenokarzinom (PDAC) aus Radiomics-Merkmalen präoperativer diffusionsgewichteter Magnetresonanztomografien.

Material und Methoden 102 Patienten mit histopathologisch nachgewiesenem PDAC wurden retrospektiv als Trainings-/Validierungskohorte und 30 prospektiv an einer anderen Klinik untersuchte Patienten als unabhängige Testkohorte eingeschlossen. Die Tumoren wurden in präoperativen ADC-Maps manuell segmentiert und Radiomicsmerkmale wurden mittels PyRadiomics extrahiert. Ein Random Forest-Algorithmus wurde an der Trainingskohorte trainiert und validiert und an der Testkohorte geprüft. Der molekulare Tumorsubtyp wurde an 21 Patienten der Testkohorte ermittelt. Klinische Merkmale und das Gesamtüberleben wurden verzeichnet.

Ergebnisse Der machine-learning-Algorithmus erreichte eine Sensitivität von 87% (95% KI 67.3–92.7), Spezifität von 80% (95% KI 74.0–86.7) und eine ROC-AUC von 90% für die Prädiktion des Gesamtüberlebens über vs. unter dem Median in der unabhängigen Testkohorte. Radiomicsmerkmale der Tumorheterogenität wurden als wichtige Ergebnisdeterminanten bestimmt. Ein statistisch signifikanter Anteil der Patienten (88.9%), für die das Modell ein Überleben unter dem Median voraussagte, wiesen einen quasi-mesenchymalen molekularen Tumorsubtyp auf (Fischer’s exact test p<0.001).

Schlußfolgerungen Die Anwendung von machine-learning-Algorithmen auf Radiomicsmerkmale erlaubt eine präzise Voraussage des Gesamtüberlebens einer unabhängigen Testkohorte. Die signifikante Überrepresäntation des quasi-mesenchymalen Tumorsubtyps in Patienten mit reduziertem Gesamtüberleben untermauert das Potenzial der quantitativen Bildgebungsanalytik in der Subtypisierung und Risikoprädiktion von Pankreaskarzinompatienten.