Machine Learning-basierte Klassifikation von Meningeomen der WHO-Grade I und II

Zielsetzung Bei Meningeomen unterscheiden sich operative Planung und Prognoseabschätzung in Abhängigkeit von ihrem WHO-Grad. Ein Machine Learning-basierter Ansatz könnte Radiolog*innen dabei unterstützen, den WHO-Grad von Meningeomen bereits in den präoperativen MRT-Aufnahmen einzuschätzen.

Material und Methoden Von Januar 2013 bis Januar 2020 wurden retrospektiv Daten von Patient*innen mit mindestens einem Meningeom, das operativ entfernt wurde, am Universitätsklinikum Bonn erfasst. Jedes Meningeom wurde zunächst mithilfe einer Bounding Box (Quader, der das Meningeom einschließt) im präoperativ angefertigten kontrastmittelverstärkten T1-gewichteten MRT gekennzeichnet. Ein Teil der auf diese Weise erzeugten Bildausschnitte wurde schließlich als Trainingsdaten (n=237) für den entwickelten Machine-Learning-Algorithmus verwendet, die restlichen Fälle (n=17) dienten als Testdaten zur Validierung für den fertig trainierten Algorithmus.

Ergebnisse Insgesamt wurden n=254 Meningeome in die Studie einbezogen, darunter n=191 Meningeome des WHO-Grads I und n=63 Meningeome des WHO-Grads II gemäß postoperativer histopathologischer Untersuchung. Das Netzwerk erreichte auf den Trainingsdaten eine Spezifizität von 85% und eine Sensitivität von 84% und auf den Testdaten eine Spezifizität von 71% und eine Sensitivität von 80%.

Schlussfolgerungen Die Ergebnisse dieser laufenden Studie zeigen, dass der entwickelte Machine-Learning-Algorithmus den diagnostischen Prozess bei der präoperativen Einschätzung des WHO-Grades von Meningeomen unterstützen und damit zu einer Verbesserung der klinischen Versorgungsqualität beitragen kann. Als nächsten Schritt verfolgen wir die weitere Optimierung des Algorithmus, unter anderem durch Hinzunahme von klinischen Metadaten.

Publikationsverlauf

Artikel online veröffentlicht:
12. April 2024