Article
Radiomics und maschinelles Lernen zur Vorhersage der Histologie retroperitonealer Residualtumore metastasierter Hodentumorpatienten nach Chemotherapie
Search Medline for
Authors
Published: | June 5, 2018 |
---|
Outline
Text
Einleitung: Nichtseminomatöse Residualtumore >1cm metastasierter Hodentumorpatienten sollen nach Chemotherapie entsprechend aktueller Leitlinien lymphadenektomiert werden (pcRPLND). Pathohistologisch haben jedoch 40-50% der Patienten nur Fibrose/Nekrose (F/N) und werden somit übertherapiert, 50-60% haben vitalen Tumor und Teratom (maligne). Da eine präoperative Differenzierung zwischen F/N und malignen Befunden bisher nicht sicher möglich ist, werden alle Patienten einer pcRPLND zugeführt. Unser Ziel ist die Unterscheidung zwischen F/N und malignen Befunden basierend auf der Kombination von Radiomics und maschinellem Lernen an Computertomographie (CT)-Bildern.
Material und Methoden: Von 42 Patienten, die mittels pcRPLND bei retroperitoneal metastasiertem Keimzelltumor behandelt wurden, lagen komplette Datensätze (PACS-Archiv) vor. Analysiert wurden die kontrastmittelverstärkten CTs vor pcRPLND. Hier wurden die suspekten Befunde mit den korrespondierenden pathohistologischen Befunden korreliert (F/N vs. maligne). Insgesamt 96 Lymphknoten (LK) wurden semiautomatisch in den CTs segmentiert und pro LK 93 verschiedene radiologische Merkmale untersucht. Mittels linearer Support Vector Machine (SVM) wurden 51 reproduzierbare (Intraklassen-Korrelationskoeffizient für Intra- und Interrater-Reliablität ≥ 0,75) Radiomics Features analysiert. Diese Features wurden unter Verwendung von Random-Forest-Algorithmen sowie konsekutiver Korrelations- und Receiver-Operating-Curve (ROC) Analysen kontinuierlich reduziert.
Ergebnisse: Von den insgesamt 96 pathohistologisch untersuchten Lymphknoten wurden 55 (57,3) als F/N und 41 (42,7%) als maligne klassifiziert. Die SVM wurde mit 67 (69,8%) zufällig ausgewählten LK trainiert. Der hier generierte "Training-Algorithmus" ergab bei Anwendung auf das Testkollektiv eine Klassifikationsgenauigkeit 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 Vorhersagewahrscheinlichkeit von 75%.
Schlussfolgerung: Bereits an diesem retrospektiven Patientenkollektiv erreichte unser Modell eine gute Sensitivität und Spezifität in der Vorhersage vitaler Metastasen. Dies sollte prospektiv an primären Bilddatensätzen validiert werden, da hier noch mehr Informationen im Vergleich zu den archivierten Bildern zu erwarten wäre.
Weder die Betrachtung klinischer Parameter alleine, noch die Kombination der Bildgebung mit den klinischen Daten verbesserte die Vorhersagewahrscheinlichkeit.