Maschinelles Lernen und radiomische Analyse von 18F-FDG PET/CT-Datensätzen zur Vorhersage des somatischen Mutationsstatus sowie des N- und M-Stadiums bei Patienten mit therapienaiven NSCLC

Zielsetzung Ziel der Arbeit war es, den somatischen Mutationsstatus sowie das N- und M-Stadium bei Patienten mit unbehandelten nicht-kleinzelligen Lungenkrebs (NSCLC) mittels maschinellem Lernen und radiometrischen Algorhythmen (radiomics) anhand von 18F-FDG PET/CT-Datensätzen vorherzusagen.

Material und Methoden Bei 71 Patienten (Durchschnittsalter 64,2 ± 10,8 Jahre) mit histopathologisch gesicherten, therapienaiven NSCLC wurde eine Ganzkörper 18F-FDG PET/CT-Untersuchungen (Biograph mCT, Siemens Healthineers AG, Deutschland) 60 Minuten nach Tracerapplikation durchgeführt. Aus den hieraus gewonnen Datensätzen erfolgte eine manuelle Tumorvolumensegmentierung mit der Open-Source-Software 3D-Slicer (www.slicer.org) sowie anschließend eine Extraktion von jeweils rund 3600 Merkmalen mittels Pyradiomics (Pyradiomik-Labore, www.radiomics.io/pyradiomics.html). Redundante Informationen wurden durch rechnerische Auswahlverfahren, einschließlich Chi-Quadrat-Test und randomisierter logistischer Regression, eliminiert. Die statistische Modellierung erfolgte durch die Entwicklung von ROC-Kurven für die Validierung und Leistungsbewertung.

Ergebnisse Die Vorhersage des somatischen Mutationsstatus fiel für PDL1 mit einer AUC von 0,75 am besten aus, Tp-53 erreichte einen AUC von 0,60 und KRAS einen AUC von 0,64. Für das N-Stadium fanden wir eine AUC von 0,67 und für das M-Stadium eine AUC von 0,77.

Schlußfolgerungen Die Radiomics Analyse von 18F-FDG PET/CT-Datensätzen ermöglichte die Vorhersage des somatischen Mutationsstatus sowie des N- und M-Stadiums mit einer moderaten Genauigkeit, wobei das M-Stadium die besten Vorhersagewerte zeigte. Insgesamt zeigt die Radiomics-Analyse ein hohes Potenzial für ein bildgestütztes molekulares Tumorprofiling, das in weiteren multizentrischen Studien evaluiert und validiert werden sollte.