Zielsetzung:
Die quantitative Analyse medizinischer Bilder (Radiomics) wird als zukunftsweisender Ansatz zur Tumordiagnostik und -therapie diskutiert. Bei bis zu 30% aller Krebspatienten mit Hirnmetastasen erfolgt die Identifikation des Primärtumors erst während oder nach Diagnose der zerebralen Metastasen. Für diese Patienten erfordern eine zeitnahe Behandlungseinleitung und zielgerichtete Therapien eine schnelle Bestimmung des Primärtumortyps. Das erforderliche diagnostische Vorgehen ist in diesen Fällen oft zeitintensiv und aufwendig. Nichtinvasive radiologische Verfahren zur Tumorerkennung können hierbei eine effizientere Diagnostik durch eine zielgerichtete Primariussuche ermöglichen. Die vorliegende Studie adressiert die Primärtumoridentifizierung durch eine Radiomics-basierte Bildanalyse von T1-KM, T1-nativ und FLAIR MRTs.
Material und Methoden:
Für die Analyse wurden 1423 Bildmarker aus T1-KM, T1-nativ und FLAIR MRTs von 64 unbehandelten Patienten mit 260 Hirnmetastasen verwendet, davon 84 Mammakarzinom (BC)-, 107 kleinzellige Bronchialkarzinom (SCLC)- und 69 maligne Melanom (MM)- Metastasen. Ein Random Forest Algorithmus wurde sowohl auf den quantitativen Bildmarkern als auch auf klinischen Daten (Alter, Geschlecht) unter Berücksichtigung von Cluster-Korrelationen mit 5-facher Kreuzvalidierung trainiert.
Ergebnisse:
ROC AUCs der Testkohorten für Bildmarker und klinische Daten ergaben 0,86 für BC, 0,89 für SCLC und 0,83 für MM. Sensitivität und Spezifität erreichten je nach Konfiguration des Klassifizierers > 80% für BC, > 77% für SCLC und > 75% für MM in dem untersuchten 3-Klassen Problem. Die Inklusion von Alter und Geschlecht führte zu einer Steigerung der AUC von 0,02 für SCLC und 0,06 für BC.
Schlussfolgerungen:
Die Studie belegt das Potential von Radiomics für die nicht-invasive Identifikation von unbekannten Primarien. Insbesondere die kombinierte Anwendung von klinischen Daten und quantitativen Bildmarkern kann die Diagnostik beschleunigen und eine effiziente Therapieentscheidung unterstützen.
