Radiomics-Modell auf der Basis von nativen CTs zur Bestrahlungsplanung zeigt keinen zusätzlichen Nutzen für die Vorhersage von Therapieansprechen bei lokal fortgeschrittenem Rektumkarzinom

Zielsetzung Nach neoadjuvanter Radiochemotherapie zeigen etwa 15% der Patienten in der histopathologischen Untersuchung nach totaler mesorektaler Exzision ein vollständiges Therapieansprechen (pathological complete response, pCR). Es gibt aktuell keinen validen Biomarker, der vollständiges Therapieansprechen nicht invasiv feststellen kann. 2018 zeigte eine Studie, dass ein Radiomics-Modell auf der Basis von nativen Planungs-CTs für die Strahlentherapie das Therapieansprechen mit einer Genauigkeit (accuracy) von 80 % vorhersagen kann. In der vorliegenden Studie sollen diese Ergebnisse an einer unabhängigen Stichprobe überprüft werden.

Material und Methoden 169 Patienten wurden eingeschlossen, die eine neoadjuvante Radiochemotherapie erhalten haben bei lokal fortgeschrittenem Rektumkarzinom. Das Tumorvolumen wurde manuell auf dem Bestrahlungsplanungs-CT segmentiert und Radiomics-Features extrahiert. Ein Random Forest (RF) Classifier wurde mit den aus rekursiver Feature-Eliminierung (RFE) selektierten Features mehrfach trainiert und an einem jeweils separaten Anteil der Fälle evaluiert (Cross Validation).

Ergebnisse Das Modell erreichte eine Genauigkeit (accuracy) von 87 %. Eine Korrektur für die Ungleichverteilung der Gruppen (pCR : non-pCR = 13% : 87%) ergab eine korrigiere Genauigkeit (balanced accuracy) von 50% und einen Matthew’s Correlation Coefficient (MCC) von 0.0. Zum Vergleich wurde das Modell an einem Zufallsdatensatz trainiert mit dem gleichen Ergebnis.

Schlußfolgerungen Die vorliegenden Daten zeigen keinen Nutzen des Radiomics-Modells auf Basis von Bestrahlungsplanungs-CTs für die Vorhersage von vollständigem Ansprechen auf neoadjuvante Radiochemotherapie bei lokal fortgeschrittenem Rektumkarzinom. Die hohe Genauigkeit ist wahrscheinlich ein Produkt der ungleichen Gruppenverteilung. Die Auswertung des Trainingsprozesses zeigt, dass das Modell wahrscheinlich nicht von einer größeren Stichprobe profitiert.