CC BY-NC-ND 4.0 · Laryngorhinootologie 2020; 99(S 02): S116
DOI: 10.1055/s-0040-1711657
Abstracts
Onkologie

Entwicklung bildbasierter Radiomics-Biomarker für den Humanen Papillomavirus (HPV)-Status beim oropharyngealen Plattenepithelkarzinom (OPSCC) mittels Machine-Learning-Algorithmen

SP Haider
1   Yale School of Medicine, Department of Radiology and Biomedical Imaging, New Haven, Vereinigte Staaten von Amerika
,
A Mahajan
1   Yale School of Medicine, Department of Radiology and Biomedical Imaging, New Haven, Vereinigte Staaten von Amerika
,
T Zeevi
1   Yale School of Medicine, Department of Radiology and Biomedical Imaging, New Haven, Vereinigte Staaten von Amerika
,
R Forghani
3   McGill University, Department of Diagnostic Radiology, Montreal, Kanada
,
B Kann
4   Harvard Medical School, Dana-Farber Cancer Institute, Radiation Oncology, Boston, Vereinigte Staaten von Amerika
,
BL Judson
5   Yale School of Medicine, Department of Surgery, New Haven, Vereinigte Staaten von Amerika
,
B Burtness
6   Yale School of Medicine, Department of Internal Medicine, New Haven, Vereinigte Staaten von Amerika
,
K Sharaf
2   Klinikum der Universität München, Klinik und Poliklinik für Hals-Nasen-Ohrenheilkunde, München
,
C Reichel
2   Klinikum der Universität München, Klinik und Poliklinik für Hals-Nasen-Ohrenheilkunde, München
,
P Baumeister
2   Klinikum der Universität München, Klinik und Poliklinik für Hals-Nasen-Ohrenheilkunde, München
,
S Payabvash
1   Yale School of Medicine, Department of Radiology and Biomedical Imaging, New Haven, Vereinigte Staaten von Amerika
› Author Affiliations
› Further Information
Also available at
 

Ziel HPV-positive und -negative OPSCC sind biologisch verschiedene Entitäten, mit unterschiedlicher Prognose und UICC/AJCC Staging-Klassifikation. Radiomics bezeichnet den Prozess der automatisierten Extraktion von Form, Bildintensität und Textur beschreibenden Features aus Läsionen in medizinischen Bilddaten, die der Erfassung rein visuell nicht interpretierbarer Bildcharakteristika dienen. Diese Studie generiert Radiomics-Signaturen zur HPV-Status-Bestimmung im OPSCC mittels Machine-Learning-Algorithmen.

Methoden Bilddaten wurden aus The Cancer Imaging Archive und institutseigenen Archiven akquiriert. Patienten mit OPSCC, bekanntem HPV/p16-Status und prätherapeutischem FDG-PET / non-kontrast CT wurden inkludiert.

Primärtumore wurden auf PET- und CT-Bildern markiert. 1040 Textur, Form und Signalintensität erfassende Radiomics-Features wurden pro Bildmodalität aus jedem Tumor extrahiert.

Zur HPV-Bestimmung wurden LASSO-Regression-basierte Feature-Selektion (LASSO) und Klassifikation mittels Random-Forest (RF) Algorithmen in 10x wiederholter, 10-facher Kreuzvalidierung durchgeführt. Die Fläche unter der Grenzwertoptimierungskurve (AUC-ROC) wurde in allen Testdatensätzen berechnet und gemittelt.

Ergebnisse 44 HPV-positive und 82 HPV-negative OPSCC Fälle wurden inkludiert: davon entsprachen 46 dem T1, 119 dem T2, 107 dem T3, and 54 dem T4 UICC/AJCC Stadium.

Die LASSO / RF Machine-Learning-Algorithmen erzielten folgende gemittelte AUC-ROC-Werte: 0.79 (PET/CT), 0.74 (CT) und 0.70 (PET).

Fazit Machine-Learning-Algorithmen können PET- und CT-Radiomics-basierte Biomarker für HPV in OPSCC-Primärtumoren generieren, die zur HPV-Bestimmung bei Fällen mit unklaren immunhistochemischen Testergebnissen oder Notwendigkeit zur Zweitlinientestung Anwendung finden könnten.

Poster-PDF A-1164.PDF



Publication History

Article published online:
10 June 2020

© 2020. The Author(s). This is an open access article published by Thieme under the terms of the Creative Commons Attribution-NonDerivative-NonCommercial-License, permitting copying and reproduction so long as the original work is given appropriate credit. Contents may not be used for commercial purposes, or adapted, remixed, transformed or built upon. (https://creativecommons.org/licenses/by-nc-nd/4.0/).

© Georg Thieme Verlag KG
Stuttgart · New York