Nuklearmedizin 2022; 61(02): 145
DOI: 10.1055/s-0042-1745963
Abstracts | NuklearMedizin 2022
Leuchtturm
Technologie, Algorithmen und Radiochemie

FDG-PET/CT-basierte Radiomics und progressionsfreies Überleben beim nicht-kleinzelligen Lungenkarzinom

J. Rogasch
1   Charité-Universitätsmedizin Berlin, Klinik für Nuklearmedizin, Berlin
,
E. Lugani
1   Charité-Universitätsmedizin Berlin, Klinik für Nuklearmedizin, Berlin
,
G.L. Baumgärtner
2   Charité-Universitätsmedizin Berlin, Klinik für Radiologie, Berlin
,
N. Frost
3   Charité-Universitätsmedizin Berlin, Medizinische Klinik m. S. Infektiologie und Pneumologie, Berlin
,
J. Neudecker
4   Charité-Universitätsmedizin Berlin, Chirurgische Klinik, Berlin
,
J. Rückert
4   Charité-Universitätsmedizin Berlin, Chirurgische Klinik, Berlin
,
B. Schmidt
5   DRK Kliniken Berlin Mitte, Klinik für Innere Medizin – Pneumologie und Schlafmedizin, Berlin
,
P. Schneider
6   DRK Kliniken Berlin Mitte, Klinik für Thoraxchirurgie, Berlin
,
D. Böhmer
7   Charité-Universitätsmedizin Berlin, Klinik für Radioonkologie und Strahlentherapie, Berlin
,
S. Ochsenreither
8   Charité-Universitätsmedizin Berlin, Medizinische Klinik mit Schwerpunkt Hämatologie, Onkologie und Tumorimmunologie (CBF), Berlin
,
H. Amthauer
1   Charité-Universitätsmedizin Berlin, Klinik für Nuklearmedizin, Berlin
,
T. Penzkofer
2   Charité-Universitätsmedizin Berlin, Klinik für Radiologie, Berlin
,
C. Furth
1   Charité-Universitätsmedizin Berlin, Klinik für Nuklearmedizin, Berlin
› Author Affiliations
 
 

    Ziel/Aim Untersuchung des Zusatznutzens von radiomics der FDG-PET/CT zur Prädiktion des progressionsfreien Überlebens (PFS) beim nicht-kleinzelligen Lungenkarzinom (NSCLC).

    Methodik/Methods Retrospektive Analyse der prätherapeutischen FDG-PET/CT von 458 PatientInnen mit NSCLC im Stadium I-IIIB vor kurativ intendierter Therapie. Monozentrisches Trainings- (n=251) und Testkollektiv (n=83) sowie externes Validierungskollektiv („NSCLC Radiogenomics“, n=124). CT-radiomics für Training/Test aus der AC-CT (52% mit Kontrastmittel [KM], 48% nativ), für die Validierung aus einer diagnostischen Thorax-CT (KM, 51%; nativ, 49%) bzw. nativen AC-CT. 3D-Segmentierung des Primärtumors manuell (CT) bzw. halbautomatisch (PET). Radiomics-Extraktion nach IBSI-konformem Preprocessing gefolgt von 8 Feature-Selektionsverfahren kombiniert mit 15 Machine Learning-Verfahren (Training mittels AUC; bester Klassifikator gemäß Concordance Index C [±Standardfehler]). Der Zusatznutzen gegenüber klinischen Variablen (Geschlecht, UICC-Stadium, Resektionsstatus, ECOG-Status, Radiatio) wurde mittels multivariabler Cox-Regression und Likelihood-Quotienten-Test überprüft.

    Ergebnisse/Results Innerhalb von 33 (IQR, 14–58) Monaten zeigten 234/458 Patienten ein Event (Training, 53%; Test, 49%; Validierung, 48%). Ein PET/CT-radiomics-basiertes Elastic Net für die Cox-Regression zeigte die beste Vorhersagegüte im Test- (C-Index, 0,68±0,04) und Validierungskollektiv (Thorax-CT: 0,61±0,04; AC-CT: 0,63±0,04). Die Kombination mit den radiomics war den alleinigen klinischen Variablen im Testkollektiv überlegen (0,72±0,04 vs. 0,68±0,04, p=0,005), jedoch nicht im Validierungskollektiv (0,66±0,04 vs. 0,67±0,03, p=0,3). Eine fehlerhafte Klassifikation des PFS im Validierungskollektiv war weder mit Voxelvolumen noch SNR der PET oder CT assoziiert (jedes p>0,05).

    Schlussfolgerungen/Conclusions Trotz extensiver Datenaufbereitung und zweier CT-Datensätze im Validierungskollektiv waren die PET/CT-radiomics nicht ausreichend übertragbar. Eine Fehlklassifikation von Patienten war nicht durch gängige Bildparameter vorhersagbar.


    #

    Publication History

    Article published online:
    14 April 2022

    © 2022. Thieme. All rights reserved.

    Georg Thieme Verlag KG
    Rüdigerstraße 14, 70469 Stuttgart, Germany