Zielsetzung Ziel der Arbeit war es, den somatischen Mutationsstatus sowie das N- und M-Stadium
bei Patienten mit unbehandelten nicht-kleinzelligen Lungenkrebs (NSCLC) mittels maschinellem
Lernen und radiometrischen Algorhythmen (radiomics) anhand von 18F-FDG PET/CT-Datensätzen
vorherzusagen.
Material und Methoden Bei 71 Patienten (Durchschnittsalter 64,2 ± 10,8 Jahre) mit histopathologisch gesicherten,
therapienaiven NSCLC wurde eine Ganzkörper 18F-FDG PET/CT-Untersuchungen (Biograph
mCT, Siemens Healthineers AG, Deutschland) 60 Minuten nach Tracerapplikation durchgeführt.
Aus den hieraus gewonnen Datensätzen erfolgte eine manuelle Tumorvolumensegmentierung
mit der Open-Source-Software 3D-Slicer (www.slicer.org) sowie anschließend eine Extraktion
von jeweils rund 3600 Merkmalen mittels Pyradiomics (Pyradiomik-Labore, www.radiomics.io/pyradiomics.html).
Redundante Informationen wurden durch rechnerische Auswahlverfahren, einschließlich
Chi-Quadrat-Test und randomisierter logistischer Regression, eliminiert. Die statistische
Modellierung erfolgte durch die Entwicklung von ROC-Kurven für die Validierung und
Leistungsbewertung.
Ergebnisse Die Vorhersage des somatischen Mutationsstatus fiel für PDL1 mit einer AUC von 0,75
am besten aus, Tp-53 erreichte einen AUC von 0,60 und KRAS einen AUC von 0,64. Für
das N-Stadium fanden wir eine AUC von 0,67 und für das M-Stadium eine AUC von 0,77.
Schlußfolgerungen Die Radiomics Analyse von 18F-FDG PET/CT-Datensätzen ermöglichte die Vorhersage des
somatischen Mutationsstatus sowie des N- und M-Stadiums mit einer moderaten Genauigkeit,
wobei das M-Stadium die besten Vorhersagewerte zeigte. Insgesamt zeigt die Radiomics-Analyse
ein hohes Potenzial für ein bildgestütztes molekulares Tumorprofiling, das in weiteren
multizentrischen Studien evaluiert und validiert werden sollte.
