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.
