RSS-Feed abonnieren
DOI: 10.1055/s-0041-1723202
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.
#
Publikationsverlauf
Artikel online veröffentlicht:
11. Mai 2021
© 2021. Thieme. All rights reserved.
Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany