Automatisierte MRT-Phänotypisierung verbessert die Vorhersage des Überlebens von primärem invasivem Brustkrebs (BCA).

Zielsetzung Verbessert die automatisierte MRT-Phänotypisierung die Vorhersage des Überlebens von BCA?

Material und Methoden Im Rahmen dieser retrospektiven, vom IRB genehmigten Studie erhielten 314 konsekutive Patientinnen mit BCA vor Beginn der Behandlung nach internationalen Empfehlungen standardisierte MRT-Untersuchungen. Die diagnostische Abklärung, Behandlung und Nachsorge erfolgte in einem tertiären, akademischen Brustzentrum (krankheitsspezifisches Überleben/Versterben: ksÜ/ksV). Der Nottingham-Prognostic-Index (NPI) wurde als Referenzmethode verwendet, um das Überleben von Brustkrebs vorherzusagen. Die automatisierte MRT-Analyse wurde mit einer kommerziell verfügbaren, u.a. von der FDA zugelassener Software durchgeführt. Basierend auf dieser Analyse wurden MRT-Phänotypen, die eine Spezifität >99% für ksÜ aufweisen, durch maschinelle Lernalgorithmen (Klassifikations- und Regressionsbäume) identifiziert. Die Ergebnisse wurden 10-fach kreuzvalidiert. Die Vorhersagen des Überlebens auf der Grundlage von MRT-Phänotypen, nach dem NPI, und von MRT-Phänotypen kombiniert mit dem NPI (NPI+), wurden untersucht (Cox-Regression und Kaplan-Meier-Statistik).

Ergebnisse Bei einer mittleren Überlebenszeit von 84.6 Monaten trat in 35 Patientinnen ksV auf. Die prädiktiven Genauigkeiten für „NPI“ und „MRT-Phänotypen“ waren ähnlich (P=0,5). MRT-Phänotypen traten in 42,7% aller Patientinnen auf (134/314). In 21,6 % dieser Patientinnen (29/134) wäre vom NPI fälschlicherweise krankheitsspezifisches Versterben vorhergesagt worden. Die Integration von MRT-Phänotypen in den NPI verbesserte die Überlebensvorhersage um 31,5% (29/92; P=0,03), was eine Hazard Ratio/HR von 8,5 im Vergleich zum Standard-NPI ergab (NPI: HR= 5,4;).

Schlußfolgerungen Die automatisierte MRT-Phänotypisierung verbesserte die Vorhersage des Überlebens von BCA-Patientinnen. Unser Ansatz könnte etwa als Gate-Keeper eingesetzt werden und so Patientinnen für komplexere Diagnoseverfahren selektionieren (genetisches Profiling, etc.)