RSS-Feed abonnieren
DOI: 10.1055/s-0040-1708367
Kann der Einsatz von machine learning die Detektion von Lymphknotenmetastasen mittels multiparametrischer PET/MRT beim frühen Zervixkarzinoms verbessern?
Publikationsverlauf
Publikationsdatum:
08. April 2020 (online)
Ziel/Aim Mikrometastasen sind im Frühstadium des Zervixkarzinoms häufig und erschweren ein zuverlässiges Lymphknoten(LN)-staging mittels bildgebender Verfahren, so dass weiterhin meist eine komplette Lymphadenektomie (LNE) erfolgt. Die vorliegende Studie prüft, ob mittels multiparametrischer Analyse die Detektionsrate in der PET/MRT verbessert werden kann.
Methodik/Methods Eingeschlossen wurden 44 Patienten zwischen 03/2016 und 08/2019 mit Erstdiagnose eines Zervixkarzinom FIGO I-IIb. Alle Patienten erhielten eine FDG-PET/MRT und Sentinel Node (SLN) SPECT/CT nach intrazervikaler Injektion von Tc-99m Nanocolloid. Folgende PET/MRT Parameter wurden erhoben: SUV(max, peak, avg), ADC (max, mean, SD), kurze und lange Achse im MRT sowie Blutpoolaktivität (SUVavg). Die in der PET/MRT analysierten LN wurden mit den Bilddaten der SPECT/CT und der intraoperativ dokumentierten Lokalisation korreliert. Als Goldstandard diente die Histologie. Die diagnostische Trennschärfe wurde mittels AUC-Analyse bestimmt. Eine Support Vector Machine (SVM) wurde mit den multiparametrischen Daten trainiert und 5fach kreuzvalidiert.
Ergebnisse/Results Die multiparametrischen Daten von 147 LN konnten 1:1 mit der Histologie korreliert werden. Die Prävalenz von Lymphknotenmetastasen(LNM) lag bei 19,0% (28/147). 14/44 Patienten zeigten LNM. Die Trennschärfe der PET-Parameter, SUVmax/avg/peak waren vergleichbar (AUC: 0,79; 0,78; 0,77). Die Ratio aus SUVavg zu Blutpool (TBR) verbesserte die AUC deutlich (AUC: 0,84). Die Größenbestimmung erreichte eine mit dem SUV vergleichbaren Trennschärfe (kurze Achse: AUC 0,82, lange Achse: AUC: 0,84). Die Diffusion (ADCmean) zeigte sich ebenfalls als signifikanten Parameter, jedoch mit relativ niedriger AUC (0,68).
Die SVM erreichte unter Verwendung aller Parameter und Ratios eine AUC von 0,84. Wurden nur MRT-Parameter trainiert, bleib die AUC weitgehend konstant (AUC 0,83).
Schlussfolgerungen/Conclusions Mittels machine learning konnten das Verhältnis von SUVavg zu Blutpool sowie die Größeninformation des MRT als entscheidende Parameter mit guter Trennschärfe definiert werden, die Implementierung weiterer Parameter mittels SVM verbesserten diese nicht signifikant.