Darstellung der strukturellen Heterogenität im pankreatischen Adenokarzinom mittels "Deep-Learning"-basierter Analyse

Zielsetzung:

Die strukturelle, genetische und metabolische Heterogenität sind charakteristische Eigenschaften des Pankreaskarzinoms. Es konnte gezeigt werden, dass die Tumorzellularität einen unabhängigen prognostischen Parameter darstellt, und dass zellreiche Tumore ein schlechteres Überleben zur Folge haben als zellarme/stromareiche. Die Diffusionsbildgebung und der ADC-Wert korrelieren mit der Tumorzellularität und dem Überleben. In dieser retrospektiven Studie, wurden "Deep-Learning"-Ansätze für die Bildnachbearbeitung herangezogen, um die Rolle des ADC-Wertes für die Subtypidentifikation und die Überlebensvoraussage zu evaluieren.

Material und Methoden:

82 Patienten wurden retrospektiv in die Studie einbezogen. Die Tumore wurden in standartisierten multiparametrischen abdominalen Pankreas-MRT-Datensätzen identifiziert (T1+KM Dynamik, T2, DWI) und in den b = 600-Bildern manuell segmentiert. Die Segmentierungen wurden sodann auf die ADC-maps übertragen. Es erfolgte eine histogrammbasierte Analyse und eine Haralick-Analyse. Diese wurden einer Auswertung basierend auf "convolutional neural networks" (CNN) gegenübergestellt. Das mediane Überleben wurde als "classifier" verwendet.

Ergebnisse:

Die CNN-basierte Analyse war der histogrammbasierten Analyse und der Haralick-Analyse bei der Identifikation von Gruppen mit einem Survival über oder unter dem Median überlegen.

Schlussfolgerungen:

Die "Deep-Learning"-basierte Merkmalsextraktion aus ADC-maps ist für die Trennung zwischen Überlebensgruppen anderen Methoden überlegen und könnte somit eine nichtinvasive, prätherapeutische Risikostratifizierung in Pankreaskarzinompatienten ermöglichen.