Radiomics-basierte Charakterisierung von Hirnmetastasen anhand MRT-Standardsequenzen

Zielsetzung Ziel dieses Projektes ist die Bestimmung des Primarius von Hirnmetastasen anhand aus MRT-Standardsequenzen gewonnener Radiomic-Features. Zu diesem Zweck wurde eine Datenbank aufgebaut, welche retrospektive Daten zu Bildgebung und klinischen Parametern von Patientinnen und Patienten mit Hirnmetastasen enthält.

Material und Methoden In diesem bi-zentrischen Projekt wurden insgesamt 251 Patientinnen und Patienten eingeschlossen, bei denen die MRT-Standardsequenzen T1, T1+KM, T2 und FLAIR sowie die histologische Bestimmung des Primärtumors vorlagen. Mittels diverser Python-Bibliotheken wurde eine Preprocessing-Pipeline erstellt, welche mitunter Co-Registrierung, Normalisierung und automatisierte Tumorsegmentierung mithilfe eines Convolutional Neural Networks mit UNet-Architektur enthält. Insgesamt wurden somit 589 Hirnmetastasen segmentiert, zu denen konsekutiv jeweils 3852 Radiomic-Features bestimmt wurden.

Ergebnisse Als Proof of Concept wurde in einer Subgruppenanalyse mit 105 Metastasen die Fähigkeit getestet, mittels Radiomics zwischen der zwei häufigsten im Datensatz vorkommenden Entitäten, Metastasen des malignen Melanoms und des Bronchialkarzinoms, zu unterscheiden. Aus den extrahierten Radiomic-Features wurden mittels LASSO-Regression 11 Variablen identifiziert, welche den größten Einfluss auf die Klassifizierung nahmen. Eine anhand dieser Kriterien trainierte Support Vector Machine lieferte für diesen binären Klassifikations-Task vielversprechende Ergebnisse (Accuracy: 0,88;

AUC-ROC: 0,97).

Schlußfolgerungen Aktuell wird die Replizierbarkeit der Ergebnisse sowie die Unterscheidung von mehr als zwei Primärtumoren anhand des vollständigen Datensatzes untersucht. Anschließend soll die Verlässlichkeit entwickelter Modelle prospektiv im klinischen Setting evaluiert werden. Die erstellte Datenbank erlaubt die Untersuchung einer Vielzahl weiterer Fragestellungen bezüglich des Zusammenhangs zwischen Bildmorphologie und klinischen Daten mittels Methoden aus dem Bereich Radiomics und KI.

Publication History

Article published online:
29 August 2022