Machine Learning bei Neurofibromatose Typ 1: Evaluation MRT-basierter Radiomics-Charakteristika zur Differenzierung von benignen und malignen peripheren Nervenscheidentumoren

Zielsetzung Die maligne Transformation peripherer Nervenscheidentumoren stellt den wichtigsten lebenslimitierenden Faktor für Patienten mit Neurofibromatose Typ 1 (NF1) dar. Aufgrund einer hohen Resistenz dieser Tumoren gegenüber Strahlen- und Chemotherapie ist die frühe Detektion und Resektion im Gesunden die einzig kurative Therapie. Wir haben evaluiert, ob ein mit Bildmerkmalen trainierter Machine-Learning-Algorithmus zur MR-tomografischen Differenzierung von benignen (BPNSTs) und malignen (MPNSTs) peripheren Nervenscheidentumoren bei NF1-Patienten beitragen kann.

Material und Methoden 26 Patienten (14 männlich, Alter: 32 ± 12 Jahre) wurden mit einer transversalen T2 SPAIR Sequenz (Auflösung 0,7 mm × 0,7 mm, Schichtdicke 3 mm) bei 3 T (Ingenia, Philips, Best, NL) untersucht. 109 BPNSTs und 14 MPNSTs wurden manuell mittels ITK-SNAP (open-source) segmentiert. Die Extraktion von 107 Bildeigenschaften je Läsion erfolgte mit PyRadiomics (open-source). Zur Vermeidung von Overfitting wurden hiervon nur die 6 global relevantesten Merkmale zum Training eines Random Forests genutzt, welcher anschließend mittels Leave-One-Patient-Out-Verfahren validiert wurde. 26 Modelle wurden trainiert und auf dem jeweils nicht zum Training verwendeten Patienten evaluiert. Als Referenzstandard diente das Follow-up (BPNSTs) bzw. die Biopsie (MPNSTs). Zur Bestimmung des optimalen Schwellwerts (Youden-Index) wurden ROC-Analysen eingesetzt.

Ergebnisse 107 von 109 BPNSTs wurden korrekt als benigne und 13 von 14 MPNSTs korrekt als maligne klassifiziert, trotz der geringen Anzahl verwendeter Bildmerkmale. Der durchschnittliche ROC-AUC Wert lag bei 0,94 mit einer mittleren Sensitivität von 0,93 und Spezifität von 0,98.

Schlussfolgerungen Machine Learning mittels MRT-basierter Radiomics-Charakteristika erlaubt in dieser Proof-of-Principle-Studie eine sensitive und spezifische Differenzierung benigner und maligner peripherer Nervenscheidentumoren bei NF1. Prospektive Studien müssen zeigen, ob das Machine Learning die radiologische Diagnostik signifikant verbessert.

Publication History

Article published online:
11 May 2021