gms | German Medical Science

Einleitung: Etwa 50% der Patienten, die eine retroperitoneale Lymphadenektomie nach Chemotherapie (pcRPLND) erhalten, werden übertherapiert, da Biomarker oder valide Vorhersagemodelle für eine präoperative Stratifizierung fehlen. Radiomics und maschinelles Lernen wurde bis dato nicht an Computertomographie (CT) Bildern metastasierter Hodentumorpatienten vor pcRPLND angewandt, um vitale Tumore oder Teratome von Narbe oder Fibrose in den retroperitonealen Lymphknotenmetastasen zu unterscheiden. Daher verwendeten wir erstmals Radiomics und maschinelles Lernen an CT Bildern, um vitale Befunde vorherzusagen.

Methode: Eingeschlossen wurden metastasierte Hodentumorpatienten, die chemotherapiert wurden, ein CT mit Kontrastmittel vor der pcRPLND erhalten haben und deren Daten vollständig waren. Nur Lymphknoten die im CT identifizierbar waren und pathohistologisch korreliert werden konnten (benigne: Nekrose/Fibrose vs. vital: vitaler Tumor/Teratom) wurden eingeschlossen.

Im CT wurden die Lymphknoten semiautomatisch segmentiert und 93 radiographische Features wurden analysiert. Ein linearer Support Vector Machine (SVM) Algorithmus wurde zur Analyse reproduzierbarer Radiomics-Features angewendet.

Ergebnisse: Entsprechend der Einschlusskriterien wurden 42 Patienten in der Studie analysiert. Insgesamt wurden 96 Lymphknoten pathohistologisch untersucht und in den CT-Bildern segmentiert. Pathohistologisch wurden 41 Lymphknoten als vital und 55 als benigne klassifiziert. Die SVM wurde mit 67 zufällig ausgewählten Lymphknoten trainiert. Von den 93 untersuchten Radiomics-Features waren 51 reproduzierbar. Der generierte „Training-Algorithmus“ wurde auf die verbliebenen 29 Lymphknoten angewandt und ergab eine Vorhersagegenauigkeit von 82% mit einer diagnostischen Sensitivität von 81% und einer Spezifität von 83%. Die ausschließliche Analyse klinischer Parameter (T, N, M, IGCCCG, Tumormarker vor pcRPLND) ergab eine Vorhersagegenauigkeit von 75%.

Schlussfolgerung: Bereits an diesem retrospektiven Patientenkollektiv erreichte unser Radiomics Modell, welches nur auf CT-Bilddaten basiert, eine bessere Sensitivität und Spezifität in der Vorhersage vitaler Metastasen als die Analyse klinischer Daten. Daher ist der Ansatz vielversprechend, um die Indikation zur pcRPLND zu individualisieren.