Beurteilung der Leberfunktion mittels radiomischer Bilddatenanalyse einer kontrastverstärkten Mehrphasen-Leber-CT

Zielsetzung:

Basierend auf der Extraktion radiomischer Merkmale aus einer kontrastverstärkten Leber-CT, zielt diese Arbeit darauf ab, die Methode des Machine Learning zur Prädiktion von klinischen und laborchemischen Parametern der Leberfunktion einzusetzen.

Material und Methoden:

Verwendet wurden die Bild- und Labordaten von 92 Patienten, die eine kontrastverstärkte Mehrphasen-Leber-CT erhalten haben. Die CT-Untersuchungen wurden den Trainings- [n = 73] oder Testdaten [n = 19] zugeordnet. Die radiomische Merkmalsextraktion (192 Statistik-, Form- und Texturmerkmalen) erfolgte jeweils mit den Bilddaten der nativen, arteriellen und portalvenösen Phase. Die Lebersegmentierung wurde mit einer halbautomatischen Software (IntelliSpace Portal Liver) durchgeführt und die unterschiedlichen Kontrastmittelphasen wurden hiernach mittels rigider Transformation aufeinander registriert. Die radiomischen Bilddaten des Trainingsdatensatzes wurden verwendet um den Child-Pugh-, Bilirubin-, Albumin-, Quick- sowie Aszites- und Enzephalopathie-Score innerhalb einer Woche nach der Bildgebung zu bestimmen. Mit diesen Daten wurde eine Support Vector Machine mit linearem Kernel trainiert und mittels 3-facher Kreuzvalidierung optimiert. Außerdem wurde das Modell L1-regularisiert um einen dünnbesetzten Merkmalsvektor zu erzwingen. Das trainierte Modell wurde dann auf den Testdatensatz angewandt.

Ergebnisse:

Bildmerkmale die mit einer Veränderung der Leberfunktion einhergehen waren mit einer Inhomogenität der Leber, einer unregelmäßigen Leberoberfläche und der Bildintensitätsstatistik verbunden. Die Genauigkeit der einzelnen vorhergesagten Merkmale war: Child-Pugh-Score 0,74 (p < 0,001), Enzephalopathie-Score 0,47 (p = 0,006), Bilirubin 0,53 (p = 0,08), Albumin 0,47 (p = 0,22), Quick 0.47 (p = 0,22), Aszites 0,68 (p = 0,002).

Schlussfolgerungen:

Die abgeleiteten radiomischen Merkmale aus einer kontrastverstärkten Leber-CT korrelieren stark mit dem Child-Pugh-Score eines Patienten, so dass eine Vorhersage der Leberfunktion aufgrundlage von Bilddaten möglich erscheint.