Voraussage molekularer Subtypen des pankreatischen Adenokarzinoms mit differenziellem Ansprechen gegenüber FOLFIRINOX vs. Gemcitabine mittels Radiomics und Machine Learning aus ADC-Maps

Zielsetzung Entwicklung eines machine-learning-Algorithmus für die Voraussage des molekularen Tumorsubtyps im pankreatischen duktalen Adenokarzinom (PDAC) aus ADC-Map-Radiomicsmerkmalen.

Material und Methoden 55 Patienten mit resektablem PDAC wurden retrospektiv ausgewertet. Die molekularen PDAC-Subtypen wurden mittels KRT-81-Färbung ermittelt. Die Tumoren wurden manuell in präoperativen ADC-Maps segmentiert und 1606 Radiomicsmerkmale wurden mittels PyRadiomics extrahiert. Ein Gradient-Boosted Decision Tree-Modell wurde an jeweils 70%/30% der Kohorte trainiert und kreuzvalidiert. KRT81+ vs. KRT81- dienten als binäre Zielvariable. Gesamtüberleben und Chemotherapieansprechen gegenüber FOLFIRINOX vs. Gemcitabine wurden nach Subtyp und Radiomics-Signatur stratifiziert und mittels der Kaplan-Meier-Methode ausgewertet.

Ergebnisse Der Algorithmus erzielte eine Sensitivität von 0.90±0.07, eine Spezifität von 0.92±0.11 und eine ROC-AUC von 0.93±0.07. Patienten mit einem Vorausgesagten KRT81+ Tumorsubtyp wiesen ein signifikant reduziertes medianes Gesamtüberleben gegenüber KRT81- Patienten (7.0 vs. 22.6 Monate, HR 4.03, P<0.001) und ein signifikant überlegenes Ansprechen gegenüber Gemcitabine vs. FOLFIRINOX (10.14 vs. 3.8 Monate medianes Gesamtüberleben, HR 2.33, P=0.037) auf. Patienten mit einem Vorausgesagten KRT81- Tumorsubtyp sprachen hingegen signifikant besser auf FOLFIRINOX an (30.8 Monate vs. 13.4 Monate medianes Gesamtüberleben, HR 2.41, P=0.027).

Schlußfolgerungen Die Machine-Learning-gestützte Analyse von Radiomicsmerkmalen erlaubt die nichtinvasive Prädiktion relevanter molekularer Tumorsubtypen im Pankreaskarzinom sowie die präoperative Stratifizierung von Gesamtüberleben und Chemotherapieansprechen gegenüber FOLFIRINOX und Gemcitabine.