Risikogruppierung von Hirnmetastasen anhand der peritumoralen Zone: ein Vergleich von „bottom-up"- und „top-down"-Radiomics-Ansätzen

Zielsetzung Im Rahmen dieses Projektes wurde untersucht, ob die Radiomics-Signatur der peritumoralen Zone (PTZ) von Hirnmetastasen im MRT eine Stratifizierung hinsichtlich des Gesamtüberlebens zulässt. Dabei wurde ein auf der Modellierung visuell definierter Wachstumstypen basierender „bottom-up“-Ansatz (BU) der Feature-Selektion mit dem konventionellen „top-down“-Vorgehen (TD) der Reduktion eines hochdimensionalen Feature-Raums verglichen.

Material und Methoden Für diese retrospektive Studie wurden die klinischen Daten sowie 2D T1+KM-Aufnahmen von 208 Patient:Innen mit min. einer histologisch gesicherten Hirnmetastase innerhalb eines multi-zentrischen Datensatzes analysiert. Die Bilddaten wurden in Python vorverarbeitet und die PTZ mithilfe eines U-Nets semi-manuell segmentiert. Es wurden vier kanten- und texturbeschreibende BU-Features berechnet, im TD-Ansatz wurden 864 Features bestimmt. In beiden Ansätzen wurden die Fälle mittels unsupervidierter k-means-Analyse in zwei Gruppen geteilt, wobei der TD-Feature-Raum zuerst unter Optimierung der Trennbarkeit algorithmisch reduziert wurde. Diese Cluster wurden auf Unterschiede im Gesamtüberleben getestet.

Ergebnisse Univariate Kaplan-Meier Analysen ergaben für die BU-Gruppierung einen im Log-Rank-Test hypothesenkonformen signifikanten Unterschied (p<0.001). Die TD-Cluster unterschieden sich nicht signifikant (p=0.26). Multivariate Cox-Modelle zeigten unter Einbezug klinischer Faktoren ausschließlich für die BU-Cluster ein signifikantes Hazard-Ratio (HR=0.58, 95%-KI: 0.39-0.84, p<0.005).

Schlussfolgerungen Im Gegensatz zum konventionellen TD-Ansatz konnte mit dem BU-Vorgehen eine signifikante Risikostratifizierung anhand des Radiomics-Phänotyps der PTZ von Hirnmetastasen vorgenommen werden. Die Resultate betonen die klinische Relevanz der Wachstumsmorphologie und zeigen das Potenzial der Kombination von Expertenwissen und datengetriebenen Analysen. Damit kann dieser Ansatz zu einer höheren Erklärbarkeit von Prognose-Modellen mittels Radiomics beitragen.

Publication History

Article published online:
12 April 2024