Article
Clinical Decision Support in der Onkologie mithilfe von Techniken des Machine Learnings auf Basis von Real World Data – Systematic Review
Search Medline for
Authors
Published: | September 24, 2021 |
---|
Outline
Text
Einleitung: Die Auswertung strukturierter DICOM-Daten hat in den letzten Jahren mit der Verbreitung von Radiomics stark zugenommen. Zusätzlich nimmt die personalisierte Behandlung von radioonkologischen Patienten unter Hinzunahme aller verfügbaren Daten der realen Welt einen immer größeren Stellenwert ein. Die große Menge an interdisziplinären und Real-World-Daten bietet den Strahlentherapeuten ein enormes Potenzial zur individuellen Therapie. Gleichzeitig muss der Überblick über komplexe Zusammenhänge aus unterschiedlichen Fachrichtungen bewahrt werden. Clinical Decision Support Systeme (CDSS) basierend auf Machine Learning können Strahlentherapeuten und Patienten eine Entscheidungsunterstützung bieten.
Methodik: Das Systematic Review basiert auf PRISMA und wurde in PubMed (https://pubmed.ncbi.nlm.nih.gov), Google Scholar (https://scholar.google.de) und LIVIVO (https://www.livivo.de) durchgeführt. In PubMed wurde eine Kombination aus Titel („decision support“) und MeSH Term („radiology“) verwendet. In Google Scholar und LIVIVO wurde im Titel nach den Begriffen „decision support“ und „radio(onco)logy“ gesucht. Es wurden nur Arbeiten eingeschlossen, die nach 20216 veröffentlicht und bei denen insbesondere auch klinische Daten verwendet wurden. Zusätzlich wurden zu jedem Artikel die ersten fünf ähnlichen Artikel von PubMed einbezogen. Nach Entfernung der Duplikate blieben 281 Artikel, wovon 198 aufgrund des Titels oder Abstracts ausgeschlossen werden konnten. Nach Ausarbeitung des Volltextes wurden 22 Artikel ausgewertet.
Ergebnisse: Die Studien [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12], [13], [14], [15] befassten sich ausschließlich mit klinischen Daten. Die Studien [16], [17], [18], [19], [20], [21], [22], kombinierten klinische Daten mit Radiomics-Daten. Die Studien [1], [2], [3], [4] haben gezeigt, dass die Bildung eines Rezidivs oder von Metastasen mit ausschließlich klinischen Daten und Techniken des Machine Learnings vorhergesagt werden kann. Die Studien [5], [6], [7], [8] konnten unter anderem mithilfe des Alters, Geschlechts, Operationszeitpunkts oder des Tumorstatus das Overall Survival (OS) vorhersagen. Die Studien [3], [9], [10] konnten mit klinischen Daten Metastasen diagnostizieren. Schuh et al. [11] entwickelten eine TNM Klassifizierung, die sie mittels PMD Export ins i.s.h.med integrieren konnten. Die Studien [12], [13], [14], [15] verglichen Therapieempfehlungen von Watson for Oncology (https://www.ibm.com/watson-health/solutions/cancer-research-treatment) mit Therapieempfehlungen von Ärzten ihrer Einrichtungen.
Die Arbeiten [16], [17], [18], [19], [20], [21], [22] kombinierten gewonnene Merkmale aus Radiomics mit klinischen Daten. Keek et al. [16] zeigten, dass die radiomischen Merkmale keinen Einfluss auf die Vorhersage von OS, Rezidiven oder Metastasen haben. Ein klinisches Modell zur Vorhersage von Metastasen stellte sich als leistungsstärkstes heraus. Die Arbeiten [17], [18], [19], [20] entwickelten eine Tumorerkennung bzw. Klassifikation auf Grundlage von Radiomics und klinischen Daten, wie Blutdruck, Alter oder Gewichtsverlust. Die Arbeiten [21], [22] konnten mit extrahierten Merkmalen aus Radiomics und wenigen klinischen Parametern den Mikrosatelliteninstabilität (MSI) Status vor der Operation ermitteln.
Diskussion: Die Arbeiten verwendeten im Schnitt nur ca. 10 und leicht zu erhebende klinische Parameter. Dies liegt hauptsächlich an den dezentralen und unvollständigen Daten in der klinischen Realität. Ob eine größere Anzahl an Parametern das System verbessert, muss untersucht werden. Es hat sich jedoch auch gezeigt, dass nicht alle Parameter von Bedeutung sind. Außerdem können CDSS aufgrund regionaler Gegebenheiten, wie Medikamentenzulassungen, nicht einfach in eine andere Region übertragen werden [12], [13], [14], [15]. Je nach Fragestellung und Daten erzielen unterschiedliche Techniken, die besten Ergebnisse.
Schlussfolgerung: CDSS auf Basis von Machine Learning mit klinischen- und Bilddaten kann eine Entscheidungsunterstützung für Ärzte und Patienten in der Radioonkologie sein. Wenige klinische Parameter können dabei durchaus ausreichend sein. Die Analyse von DICOM-Daten durch Radiomics sollte in die Entscheidungsunterstützung einbezogen werden, da diese leicht zu verarbeiten sind. Mögliche Einsatzgebiete sind das Einbeziehen der Vorhersage des OS in die Therapieentscheidung oder das frühzeitige Erkennen von Tumorerkrankungen.
Die Autoren geben an, dass kein Interessenkonflikt besteht.
Die Autoren geben an, dass kein Ethikvotum erforderlich ist.
Literatur
- 1.
- Alabi RO, Elmusrati M, Sawazaki-Calone I, Kowalski LP, Haglund C, Coletta RD, et al. Machine learning application for prediction of locoregional recurrences in early oral tongue cancer: a Web-based prognostic tool. Virchows Arch. 2019 Oct 1;475(4):489–97. DOI: 10.1007/s00428-019-02642-5
- 2.
- Alabi RO, Elmusrati M, Sawazaki-Calone I, Kowalski LP, Haglund C, Coletta RD, et al. Comparison of supervised machine learning classification techniques in prediction of locoregional recurrences in early oral tongue cancer. Int J Med Inform. 2020 Apr 1;136. DOI: 10.1016/j.ijmedinf.2019.104068
- 3.
- Shan J, Jiang R, Chen X, Zhong Y, Zhang W, Xie L, et al. Machine Learning Predicts Lymph Node Metastasis in Early-Stage Oral Tongue Squamous Cell Carcinoma. J Oral Maxillofac Surg. 2020 Dec 1;78(12):2208–18. DOI: 10.1016/j.joms.2020.06.015
- 4.
- Chu CS, Lee NP, Adeoye J, Thomson P, Choi SW. Machine learning and treatment outcome prediction for oral cancer. J Oral Pathol Med. 2020 Nov 1;49(10):977–85. DOI: 10.1111/jop.13089
- 5.
- Thio QCBS, Karhade A V, Ogink PT, Raskin KA, De Amorim Bernstein K, Calderon SAL, et al. Can machine-learning techniques be used for 5-year survival prediction of patients with chondrosarcoma? Clin Orthop Relat Res. 2018;476(10):2040–8. DOI: 10.1097/CORR.0000000000000433
- 6.
- Karadaghy OA, Shew M, New J, Bur AM. Development and Assessment of a Machine Learning Model to Help Predict Survival among Patients with Oral Squamous Cell Carcinoma. JAMA Otolaryngol - Head Neck Surg. 2019 Dec 1;145(12):1115–20. DOI: 10.1001/jamaoto.2019.0981
- 7.
- Alabi RO, Mäkitie AA, Pirinen M, Elmusrati M, Leivo I, Almangush A. Comparison of nomogram with machine learning techniques for prediction of overall survival in patients with tongue cancer. Int J Med Inform. 2021 Jan 1;145. DOI: 10.1016/j.ijmedinf.2020.104313
- 8.
- Anderson AB, Wedin R, Fabbri N, Boland P, Healey J, Forsberg JA. External Validation of PATHFx Version 3.0 in Patients Treated Surgically and Nonsurgically for Symptomatic Skeletal Metastases. Clin Orthop Relat Res. 2020 Apr 1;478(4):808–18. DOI: 10.1097/CORR.0000000000001081
- 9.
- Mermod M, Jourdan EF, Gupta R, Bongiovanni M, Tolstonog G, Simon C, et al. Development and validation of a multivariable prediction model for the identification of occult lymph node metastasis in oral squamous cell carcinoma. Head Neck. 2020 Aug 1;42(8):1811–20. DOI: 10.1002/hed.26105
- 10.
- Bur AM, Holcomb A, Goodwin S, Woodroof J, Karadaghy O, Shnayder Y, et al. Machine learning to predict occult nodal metastasis in early oral squamous cell carcinoma. Oral Oncol. 2019 May 1;92:20–5. DOI: 10.1016/j.oraloncology.2019.03.011
- 11.
- Schuh C, de Bruin JS, Seeling W. Clinical decision support systems at the Vienna General Hospital using Arden Syntax: Design, implementation, and integration. Artif Intell Med. 2018 Nov 1;92:24–33. DOI: 10.1016/j.artmed.2015.11.002
- 12.
- Aikemu B, Xue P, Hong H, Jia H, Wang C, Li S, et al. Artificial Intelligence in Decision-Making for Colorectal Cancer Treatment Strategy: An Observational Study of Implementing Watson for Oncology in a 250-Case Cohort. Front Oncol. 2021 Feb 4;10. DOI: 10.3389/fonc.2020.594182
- 13.
- Zhou N, Zhang C, Lv H, Hao C, Li T, Zhu J, et al. Concordance Study Between IBM Watson for Oncology and Clinical Practice for Patients with Cancer in China. Oncologist. 2019 Jun;24(6):812–9. DOI: 10.1634/theoncologist.2018-0255
- 14.
- Somashekhar SP, Sepúlveda MJ, Puglielli S, Norden AD, Shortliffe EH, Rohit Kumar C, et al. Watson for Oncology and breast cancer treatment recommendations: Agreement with an expert multidisciplinary tumor board. Ann Oncol. 2018 Feb 1;29(2):418–23. DOI: 10.1093/annonc/mdx781
- 15.
- Tian Y, Liu X, Wang Z, Cao S, Liu Z, Ji Q, et al. Concordance between watson for oncology and a multidisciplinary clinical decision-making team for gastric cancer and the prognostic implications: Retrospective study. J Med Internet Res. 2020 Feb 1;22(2). DOI: 10.2196/14122
- 16.
- Keek S, Sanduleanu S, Wesseling F, De Roest R, Van Den Brekel M, Van Der Heijden M, et al. Computed tomography-derived radiomic signature of head and neck squamous cell carcinoma (peri)tumoral tissue for the prediction of locoregional recurrence and distant metastasis after concurrent chemoradiotherapy. PLoS One. 2020 May 1;15(5). DOI: 10.1371/journal.pone.0232639
- 17.
- He T, Puppala M, Ezeana CF, Huang Y, Chou P, Yu X, et al. A Deep Learning–Based Decision Support Tool for Precision Risk Assessment of Breast Cancer. JCO Clin Cancer Informatics. 2019 Dec;3(3):1–12. DOI: 10.1200/CCI.18.00121
- 18.
- Masood A, Sheng B, Li P, Hou X, Wei X, Qin J, et al. Computer-Assisted Decision Support System in Pulmonary Cancer detection and stage classification on CT images. J Biomed Inform. 2018 Mar 1;79:117–28. DOI: 10.1016/j.jbi.2018.01.005
- 19.
- Nasrullah N, Sang J, Alam MS, Mateen M, Cai B, Hu H. Automated lung nodule detection and classification using deep learning combined with multiple strategies. Sensors (Switzerland). 2019 Sep 1;19(17). DOI: 10.3390/s19173722
- 20.
- Ren J, Qi M, Yuan Y, Duan S, Tao X. Machine Learning–Based MRI Texture Analysis to Predict the Histologic Grade of Oral Squamous Cell Carcinoma. Am J Roentgenol. 2020 Nov 1;215(5). DOI: 10.2214/AJR.19.22593
- 21.
- Zhang W, Huang Z, Zhao J, He D, Li M, Yin H, et al. Development and validation of magnetic resonance imaging- based radiomics models for preoperative prediction of microsatellite instability in rectal cancer. Ann Transl Med. 2021 Jan;9(2):134–134. Available from: https://atm.amegroups.com/article/view/60720/html
- 22.
- Wu J, Zhang Q, Zhao Y, Liu Y, Chen A, Li X, et al. Radiomics Analysis of Iodine-Based Material Decomposition Images With Dual-Energy Computed Tomography Imaging for Preoperatively Predicting Microsatellite Instability Status in Colorectal Cancer. Front Oncol. 2019 Nov 22;9. DOI: 10.3389/fonc.2019.01250