Rofo 2020; 192(S 01): S49-S50
DOI: 10.1055/s-0040-1703254
Vortrag (Wissenschaft)
Mammadiagnostik
© Georg Thieme Verlag KG Stuttgart · New York

Kombinierte Radiomics Signaturen aus kontrastmittelverstärkter MRT und diffusionsgewichteter Bildgebung zur Differenzierung von Mammakarzinomen mit unterschiedlichen molekularen Subtypen

D Leithner
1   Universitätsklinikum Frankfurt am Main, Institut für Diagnostische und Interventionelle Radiologie, Frankfurt am Main
,
B Bernard-Davila
2   Memorial Sloan Kettering Cancer Center, Department of Radiology, New York
,
D Martinez
2   Memorial Sloan Kettering Cancer Center, Department of Radiology, New York
,
M Jochelson
2   Memorial Sloan Kettering Cancer Center, Department of Radiology, New York
,
E Morris
2   Memorial Sloan Kettering Cancer Center, Department of Radiology, New York
,
S Thakur
3   Memorial Sloan Kettering Cancer Center, Department of Medial Physics, New York
,
K Pinker
2   Memorial Sloan Kettering Cancer Center, Department of Radiology, New York
› Author Affiliations
Further Information

Publication History

Publication Date:
21 April 2020 (online)

 

Zielsetzung Ziel war es, die klinische Anwendbarkeit von kombinierten, aus kontrastmittelverstärkter MRT (CE-MRT) und diffusionsgewichteter Bildgebung (DWI) extrahierten Radiomics Charakteristika zur Unterscheidung zwischen Mammakarzinomen mit unterschiedlichen molekularen Subtypen zu evaluieren.

Material und Methoden Es wurden 91 Patienten mit histologisch gesichertem Mammakarzinom (luminal A, n=49; luminal B, n=8; HER2-enriched, n=11; triple negativ, n=23), welche mittels CE-MRT und DWI untersucht wurden, in diese retrospektive Studie eingeschlossen. Radiomics Charakteristika (Co-occurrence, Run-length Matrix, absoluter Gradient, autoregressives Modell, Haar wavelet Transformation, Läsionsgeometrie) wurden aus manuell festgelegten ROIs auf initialen CE-MRT Serien und ADC maps extrahiert (Anzahl Charakteristika pro Läsion, n=704). Die fünf besten Charakteristika zur Unterscheidung zwischen Subtypen wurden separat für CE-MRI und DWI mittels probability of error and average correlation Koeffizienten selektiert. Nach einer Hauptkomponentenanalyse zur Reduktion der Dimensionalität wurde ein mehrlagiges Perzeptron feedforward neuronales Netzwerk (MLP-ANN) zur Radiomics-basierten Klassifikation mit zehn Iterationen angewandt. Als Goldstandard diente die Histopathologie. 70% der Fälle wurden zum Training, 30% zur Validierung verwendet.

Ergebnisse MLP-ANN erzielte eine mediane Fläche unter der ROC-Kurve (AUC) von 0,80 (0,77-0,85) für die Differenzierung von triple negativen von allen anderen Karzinomen, mit diagnostischen Genauigkeiten von bis zu 81,3% in Trainings- und 84,0% in Validierungsdatensätzen. Die Trennung von luminal A und triple negativen Karzinomen erreichte eine mediane AUC von 0,76 (0,71-0,90), mit Genauigkeiten bis zu 83,3% in Trainings-, und 83,3% in Validierungsgruppen. Alle anderen AUC-Werte waren niedriger als 0,75.

Schlußfolgerungen Die Kombination von CE-MRT und DWI Radiomics Charakteristika könnte zur nicht-invasiven Unterscheidung zwischen triple negativen/luminal A und Mammakarzinomen mit anderen Subtypen dienen.