Subscribe to RSS
DOI: 10.1055/s-0037-1600389
Prognostische Information aus präoperativen MR-Daten von Patienten mit Glioblastomen: eine Radiomics-Studie
Publication History
Publication Date:
23 March 2017 (online)
Zielsetzung:
Die Kombination von maschinellem Lernen mit radiologischen Bilddaten eröffnet vielversprechende Perspektiven und ermöglicht, zusätzliche Information aus Bilddaten zugänglich zu machen. In der vorliegenden Studie wird untersucht, ob ein Radiomics-Ansatz prognostische Informationen aus präoperativen, kontrastverstärkten MRT-Daten von einheitlich behandelten Patienten mit Glioblastomen extrahieren kann.
Material und Methodik:
In dieser retrospektiven Studie wurden präoperative, kontrastverstärkte T1-gewichtete MR-Daten von 66 Patienten aus einer vorhergehenden prospektiven Studie analysiert. Tumoren wurden manuell segmentiert und 208 quantitative Bildeigenschaften (‚features‘), die Form, Signalintensität und Tumortextur charakterisieren, wurden erhoben. Auf diesen Daten wurde ein sogenannter ‚random survival forest‘ trainiert; dabei handelt es sich um ein prognostisches Modell, welches das individuelle Risiko jedes Patienten vorhersagt. Das prognostische Modell wurde mit 10-facher Kreuzvalidierung berechnet. Die Assoziation des vorhergesagten Risikos mit dem Gesamtüberleben wurde über den ‚concordance index‘, Kaplan-Meier-Analyse und ein univariates Cox-Proportional-Hazards-Modell evaluiert.
Ergebnisse:
Im Mittel überlebten die Patienten 14 Monate (Spanne von 0,8 bis 85 Monate). Das 10-fach kreuzvalidierte statistische Modell erreichte einen concordance-index von 0,66; in der Kaplan-Meier-Analyse waren die Patientengruppen mit niedrigem und hohem vorhergesagten Risiko deutlich getrennt (p = 5e-5). Ein niedriges vorhergesagtes Risiko ist ein günstiger prognostischer Faktor (hazard ratio = 1.03, 95% C.I. 1.005 – 1.056, p = 0.022).
Schlussfolgerungen:
In dieser Studie konnte gezeigt werden, dass präoperative MR-Aufnahmen von Patienten mit GBM prognostische Information enthalten, die erst durch eine Radiomics-basierte Analyse zugänglich wird. Die Aussagekraft kann vermutlich noch weiter gesteigert werden, indem zusätzliche Bildkontraste wie etwa FLAIR in die Auswertung integriert werden.