Deep Learning-basierte Quantifizierung der Körperkonstitution und deren prädiktiver Wert für das Gesamtüberleben bei Patienten mit Bronchialkarzinom

Zielsetzung Kann mittels Deep Learning die Körperkonstitution (BC) automatisch von CT-Bilder quantifiziert werden und dadurch die Vorhersage des Gesamtüberlebens in Patienten mit Bronchialkarzinom verbessert werden.

Material und Methoden In einer integrierten Analyse an über 13,000 Patienten wurden ein vollautomatischer Deep Learning Algorithmus entwickelt um die BC anhand von CT-Bilder auf Höhe von LWK3 zu quantifizieren. Um demografischen Unterschieden Rechnung zu tragen, wurden zunächst Standardwerte für Muskulatur und Fett (sukutan+viszeral) in Bezug auf Ethnie, Alter und Geschlecht in > 12,000 ambulanten Patienten ermittelt und Z-Scores berechnet. Anschließend wurde die BC in 1,287 Patienten (Alter: 64,9 ± 10,8 Jahre; 48,6% Männer) mit Bronchialkarzinom zum Zeitpunkt der Diagnose bestimmt und anhand der Referenzkohorte normalisiert. Um den Zusammenhang der BC mit dem Gesamtüberleben zu untersuchen, wurde die niedrigste Tertile der normalisierten BC-Werte verwendet um Patienten als sarkopen und/oder fett-depletiert zu definieren. Cox-Proportional-Hazard-Modelle wurden adjustiert für Alter, Geschlecht, BMI, Krebsart, Stadium und Behandlung berechnet.

Ergebnisse Die BC wurde bei allen Patienten erfolgreich quantifiziert. Über ein medianes Follow-up von 1,8 Jahren (Sterberate: 68,1%) war die Mortalität bei sarkopenen und fett-depletierten Patienten signifikant höher als in der jeweiligen Vergleichsgruppe (HR: 1,32 (1,13 – 1,54); p < 0,001 und HR: 1,27 (1,07 – 1,50); p = 0,005). Subgruppen-Analysen legen nahe, dass diese Assoziationen von jüngeren Patienten (< 65 Jahre alt; p ≤ 0,004), frühen Krankheitsstadien (I/II; p ≤ 0,005) und Patienten mit Adenokarzinom (p ≤ 0,04) bestimmt werden.

Schlussfolgerungen Bei Patienten mit Bronchialkarzinom sind Sarkopenie und/oder Fettdepletion zum Zeitpunkt der Diagnose unabhängige Prädiktoren für das Gesamtüberleben. Deep Learning ermöglicht eine zuverlässige und automatische Extraktion dieser derzeit nicht verwendeten Information, was ein Ansatz für verbesserte und personalisierte Therapiekonzepte sein könnte.

Publication History

Article published online:
11 May 2021