DEEP LEARNING ZUR KLASSIFIZIERUNG VON DICKDARMKREBSPATIENTEN HINSICHTLICH IHRES RISIKOS FÜR DAS AUFTRETEN VON METASTASEN

ziel Dickdarmkrebs ist eine der häufigsten Krebsarten in Deutschland, weshalb eine verlässliche Risikostratifizierung notwendig ist, um eine geeignete Therapieauswahl für den Patienten zu gewährleisten. Mit convolutional neural networks (CNNs) konnten in der Vergangenheit bereits Erfolge in der Klassifikation von Darmgewebe erreicht werden. Das Ziel dieser Studie ist die Entwicklung eines CNN-basierten Modells zur Stratifizierung von Dickdarmkrebspatienten in zwei Risikogruppen für das Auftreten von Metastasen. Hierfür wurde ein Modell basierend auf InceptionResNetV2 auf binären, histologischen Bildern trainiert.

methoden Für diese Studie wurden 291 Patienten mit einem konventionellen pT3- und pT4 Adenokarzinom, ohne speziellen histologischen Tumortypen und ohne Metastasen bei der Diagnose einbezogen. Für jeden Patienten wurde ein repräsentativer Ausschnitt des Tumors ausgewählt, mit Cytokeratin AE1/AE3 angefärbt und mittels ImageJ in binäre Bilder transformiert. Um Overfitting zu vermeiden, wurden die Bilder des Trainingssatzes augmentiert und Dropout Layers dem KI-Modell hinzugefügt. Die beiden Risikogruppen wurden anhand des vorhergesagten Risikos für Metastasen eingeteilt.

ERGEBNISSE Das Modell wurden anhand von 128 Patienten validiert. Die Patienten waren durchschnittlich 69 Jahre alt und in 41 (32%) Fällen traten Metastasen auf. Wir konnten zeigen, dass das trainierte Modell Patienten mit und ohne Metastasen gut separieren kann (AUC: 0,842 95%-KI: 0,774–0,911). Beim Vergleich der Kaplan-Meier Kurven für das Metastasen-freie Überleben zwischen den beiden Risiko-Gruppen zeigte sich ein wesentlich schlechter Verlauf in der High-Risk Gruppe (log-rank Test: p < 0,001).

Zudem konnten wir in einer multivariablen Cox-Regression zeigen, dass die Risikoklassifizierung auch unter Adjustierung von Alter, Geschlecht und anderer pathologischer Variablen ein prognostischer Faktor bleibt (HR = 5,4; 95%-KI: 2,5–11,7; p < 0,001). Die Stratifizierung zeigte für beide UICC Subgruppen gute Ergebnisse. In der Subgruppe mit UICC III (n = 53) entwickelten 80% der High-Risk Gruppe auch tatsächlich eine Metastase, während dies in der Low-Risk Gruppe nur in 4% der Patienten der Fall war.

conclusion Die Resultate unserer Studie zeigen, dass die Verwendung von Deep Learning neben der Analyse und Beurteilung von Gewebeproben auch die Stratifizierung von Patienten mit pT3 und pT4 Adenokarzinomen unterstützen kann. Dass nur histologische, binäre Bilder, die die Architektur des Tumors widerspiegeln zum Training des Modells genutzt wurden, stellt eine interessanten Aspekt dar, der anhand weiterer Daten näher untersucht werden soll.

Publication History

Article published online:
10 June 2021