Maschinelles Lernen und radiomische Analyse von Datensätzen aus der MR-Mammografie zur Vorhersage des Gradings, Hormonrezeptorstatus und Lymphknotenmetastasen bei Patientinnen mit Brustkrebs.

Zielsetzung Evaluation des Potenzials der Radiomics-unterstützen Analyse von MR-basierten Parametern für die Vorhersage des Gradings, Hormonrezeptorstatus und der Lymphknotenmetastasen bei Patienten mit Brustkrebs.

Material und Methoden 81 Patientinnen mit BI-RADS 5 und 6 Läsionen wurden prospektiv für eine MR-Mammografie vor Läsionsresektion eingeschlossen. Das Studienprotokoll umfasste T2-gewichtete und dynamische kontrastmittelverstärkte T1-gewichtete Bildgebung einschließlich der Subtraktionsbilder. Nach der Tumorsegmentierung wurden 13145 quantitative Merkmale extrahiert und mit folgenden Merkmalsauswahlmethoden auf ihre Relevanz getestet: χ²-test, t-test, Fisher-score, Randomized Logistic Regression. Die statistische Modellierung wurde mit Hilfe von Logistic Regression, Random Forests oder SVMs durchgeführt und durch eine 5-fache Kreuzvalidierung mit 25 Wiederholungen bewertet. Histopathologische Ergebnisse nach anschließender Tumorresektion dienten als Referenzstandard.

Ergebnisse Die Prognose für das N-Stadium sowie für das Elston-Ellis Grading war mit AUCs von 0,75 bzw. 0,78 mäßig hoch. Die AUCs zur Vorhersage des ER-Status waren moderat (0,68), während die Vorhersage des Ki67- und HER2-Status schwach war (AUC = 0,61 und 0,56).

Schlußfolgerungen Unsere vorläufigen Ergebnisse zeigen das Potenzial für die bildgebende MR-basierte Tumordekodierung und Phänotypisierung von Brustkrebs mit Vorhersage des N-Stadiums und Gradings mit vielversprechenden Resultaten. Die Vorhersage des Hormonstatus war dagegen unzureichend.