Deep Learning-basierte Quantifizierung des biologischen Alters und dessen prognostischer Wert in Patienten mit Bronchialkarzinom

Zielsetzung Kann mittels Deep Learning das biologische Alter anhand eines Röntgen-Thorax quantifiziert werden und dadurch die Überlebensvorhersage bei Patienten mit Bronchialkarzinom verbessert werden.

Material und Methoden In dieser integrierten Analyse von mehr als 115,000 Patienten haben wir einen Deep-Learning-Algorithmus entwickelt, um das biologische Alter anhand eines Standard Röntgen-Thorax in asymptomatischen Screening-Patienten zu quantifizieren (CXR-Age). Anschließend wurde der Algorithmus an einem vollständig unabhängigen Testdatensatz bestehend aus 913 Röntgen-Thorax-Aufnahmen von Patienten mit Bronchialkarzinom aus der Boston Lung Cancer Study (BLCS) getestet. Die Assoziation zwischen dem CXR-Alter (5 Jahresschritte) und dem Gesamtüberleben (OS) wurde durch Berechnung univariater und multivariater Hazard Ratios (HR) mittels Cox-Regression untersucht und mit dem chronologischen Alter (5 Jahresschritte) anhand des C-Index verglichen.

Ergebnisse Das CXR-Alter konnte bei allen BLCS-Patienten (Alter 66,9 ± 10,7; m 48%) erfolgreich quantifiziert werden. Der mediane Follow-up betrug 2,3 Jahre (1,1 – 3,9), die Sterblichkeitsrate war 49%. Die HR für das CXR-Alter bezüglich des OS betrugen 1,17 (1,11 – 1,23); p < 0,001 und 1,07 (1,02 – 1,12); p = 0,004 für das chronologische Alter mit einem signifikant höheren C-Index für das CXR-Age im Vergleich zum chronologischen Alter (p < 0.001). Darüber hinaus blieb CXR-Age auch in einer multivariaten Analyse unter Berücksichtigung demographischer (Ethnie, Rauchen, BMI) und klinischer Risikofaktoren (Stadium, Behandlungschema) ein unabhängiger und signifikanter Prädiktor für das OS (HR 1,17 (1,11 – 1,25); p = 0,02).

Schlussfolgerungen Deep Learning erlaubt die Quantifizierung des biologischen Alters anhand eines Standard Röntgen-Thorax und ermöglicht eine im Vergleich zum chronologischen Alter verbesserte Vorhersage des Gesamtüberlebens bei Patienten mit Bronchialkarzinom, unabhängig von klinischen Risikofaktoren.

Publication History

Article published online:
11 May 2021