Radiomics zur Vorhersage der portalvenösen Tumorthrombose bei Patienten mit HCC
Date issued
Authors
Editors
Journal Title
Journal ISSN
Volume Title
Publisher
License
Abstract
Die Pfortaderinfiltration ist eine häufige und hochgradig prognostisch relevante Komplikation des HCC, die in bis zu 40 % der Fälle auftritt. Sie führt zu einer Prognoseverschlechterung und Einstufung als BCLC C, was deutliche Auswirkungen auf das Patientenmanagement hat. Die durchschnittliche Überlebenszeit mit PVI beträgt ca. 7,2 Monate, ohne PVI 35,7 Monate. Dabei ist die Prognose umso schlechter, je größer das Ausmaß der Infiltration ist. Allerdings führt schon die Infiltration von segmentalen Pfortaderästen zu einer deutlich schlechteren Prognose.
Diese Studie hatte das Ziel zu klären, ob es quantifizierbare Radiomics-Merkmalsunterschiede bei HCC mit PVI im Vergleich zu Nicht-PVI gibt, was die Entwicklung eines Radiomics-basierten Vorhersagemodells für die Entwicklung von PVI bei Patienten mit HCC ermöglichen würde.
Aus einem Studienkollektiv von 858 HCC-Patienten wurde retrospektiv bei 151 Patienten mit initialer PVI, bei 44 Patienten mit PVI-Entwicklung im Verlauf und bei 213 zufällig ausgewählten Patienten ohne PVI-Entwicklung die führende Tumorformation zur Erstdiagnose in allen Schichten der Schnittbildgebung manuell segmentiert und eine Texturanalyse der Tumorherde durchgeführt.
Unsere Ergebnisse der Radiomics-Analyse bestätigten im ersten Teil die bereits bekannten morphologischen Faktoren: HCCs mit PVI sind signifikant größer, weniger sphärisch, weniger homogen und auch weniger arteriell vaskularisiert als HCCs ohne PVI. Der zweite Teil der Studie konzentrierte sich daher auf Patienten, die zu Beginn keine Anzeichen einer Pfortaderinfiltration aufwiesen, aber im Verlauf der Erkrankung eine PVI entwickelten.
Dazu wurde aus der Gruppe der Patienten ohne PVI eine Vergleichsgruppe ausgewählt wurde, die der Patientengruppe mit PVI-Entwicklung im Verlauf hinsichtlich konventioneller qualitativer Tumormerkmale wie Wachstumstyp und arteriellem Kontrastmittelverhalten, aber auch Tumorgröße und Anzahl der Läsionen, glich.
Nachdem bei unserer Studie redundante Radiomics-Merkmale mit hoher Korrelation entfernt worden waren, wurden insgesamt 47 radiometrische Merkmale in die LASSO-Regressionsanalyse aufgenommen. Bei einer Aufteilung von 80:20 zwischen Trainings- und Holdout-Validierungsdatensatz verblieben 17 radiometrische Merkmale im angepassten Modell. Die Anwendung des Modells auf den Holdout-Validierungsdatensatz ergab eine Sensitivität von 0,78 und eine Spezifität von 0,78 für das Auftreten von PVI.
Unsere Studie demonstriert erfolgreich ein Proof-of-Concept-Radiomics-Modell und lässt vermuten, dass eine zukünftige PVI bei der Erstdiagnose von HCC mittels Radiomics-Analyse prognostiziert werden kann. Dennoch erfordert deren breite Implementierung in der klinischen Routinepraxis eine nachhaltige unabhängige Validierung.
Obwohl die PVI einen entscheidenden Einfluss auf Prognose und Therapie von Patienten mit HCC hat, werden Gefäßinfiltrationen in der Schnittbildgebung häufig übersehen und erst retrospektiv im Verlauf diagnostiziert. Eine zusätzliche radiometrische Bewertung der aggressiven HCC-Morphologie könnte dazu führen, dass Patienten mit PVI-Risiko frühzeitig identifiziert werden, was das zukünftige Patientenmanagement entscheidend weiterentwickeln würde.
Um die Anwendbarkeit der Radiomics-Analyse in der klinischen Routinepraxis vollständig erforschen zu können, sind Standardarbeitsanweisungen für die Bildgebung notwendig ebenso wie für die Parameter der anschließenden Textur- bzw. Radiomics-Analyse. Dies wäre ein entscheidender Schritt, um stabile und klinisch relevante radiologische Biomarker zu identifizieren, die eine nicht-invasive Methode zur Quantifizierung und Überwachung der phänotypischen Merkmale von Tumoren in der klinischen Praxis darstellen.
Die Anwendung der quantitativen Bildgebung könnte dazu dienen, die Subjektivität der visuellen Interpretation zu überwinden und zu besseren Ergebnissen in der medizinischen Bildgebung führen, indem sie den Radiologen unterstützt, anstatt ihn zu ersetzen. Die Risiken des Einsatzes künstlicher Intelligenz und die Frage, wie die Ergebnisse validiert werden können, sind Gegenstand andauernder Forschung.