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
