Radiomik bei Magenkrebs: Eine neue Hoffnung für die klinische Entscheidungsfindung?
Magenkrebs bleibt trotz eines Rückgangs der Häufigkeit in den letzten Jahrzehnten eine große Herausforderung für die globale Gesundheit. Weltweit ist er die dritthäufigste Ursache für krebsbedingte Todesfälle. Im Jahr 2018 wurden über 1.000.000 neue Fälle und etwa 783.000 Todesfälle gemeldet. Allein in China gab es im Jahr 2015 6.791.000 neue Fälle und 498.000 Todesfälle. Bildgebende Verfahren spielen eine entscheidende Rolle bei der Diagnose, Stadieneinteilung und Risikobewertung von Magenkrebs. Sie helfen bei der Auswahl der besten Therapie und verbessern die Behandlungsergebnisse. Die Radiomik, ein aufstrebendes Feld, zeigt vielversprechende Ansätze, um quantitative Merkmale aus medizinischen Bildern zu extrahieren, die mit dem bloßen Auge nicht sichtbar oder durch Routineanalysen nicht quantifizierbar sind. Dieser Artikel gibt einen Überblick über die Anwendung der Radiomik bei Magenkrebs, ihre Herausforderungen und zukünftige Perspektiven.
Was ist Radiomik?
Die Radiomik wurde erstmals 2012 von Lambin et al. vorgestellt und später von Kumar et al. weiterentwickelt. Sie beschreibt die Hochdurchsatz-Extraktion und Analyse einer großen Menge an quantitativen Bildmerkmalen aus medizinischen Bildern, die mittels Computertomographie (CT), Positronen-Emissions-Tomographie (PET) oder Magnetresonanztomographie (MRI) gewonnen werden. Der Hauptvorteil der Radiomik liegt in ihrer Fähigkeit, zahlreiche quantitative Merkmale zu erfassen, die Informationen über das Tumorverhalten und dessen Umgebung liefern. Diese Informationen sind durch traditionelle Radiologie nicht zugänglich. Ein weiterer großer Vorteil ist die Nutzung von künstlicher Intelligenz und maschinellem Lernen, um hochdimensionale Daten in diagnostische, vorhersagende oder prognostische Modelle zu verwandeln, die die klinische Entscheidungsfindung unterstützen.
Eine typische Radiomik-Studie besteht aus vier Phasen:
- Bildaufnahme: Die Erstellung groß angelegter medizinischer Bilder mit standardisierten Scan- und Rekonstruktionsprotokollen ist entscheidend, um unnötige Variabilität zu vermeiden.
- Bildsegmentierung: Regionen von Interesse (ROIs) oder Volumina von Interesse (VOIs) des Tumors, von Metastasen und von normalem Gewebe werden manuell oder halbautomatisch segmentiert, um sie weiter zu analysieren.
- Merkmalsextraktion und -auswahl: Die Hochdurchsatz-Extraktion quantitativer Bildmerkmale aus ROIs oder VOIs ist das Herzstück der Radiomik. Häufig verwendete Merkmale umfassen Form- und Größenmerkmale, Histogramme erster Ordnung, Histogramme zweiter Ordnung (texturbasiert) und fraktale Merkmale. Redundante oder irrelevante Merkmale werden mithilfe von Methoden wie LASSO, maximaler Relevanz und minimaler Redundanz sowie Hauptkomponentenanalyse ausgeschlossen.
- Modellkonstruktion und -validierung: Optimale maschinelle Lernmodelle werden basierend auf klinischen Informationen und ausgewählten Merkmalen identifiziert. Techniken wie Support Vector Machine (SVM), Random Forest, künstliche neuronale Netze (ANNs) und Bootstrapping werden häufig verwendet. Modelle müssen validiert werden, bevor sie in der wissenschaftlichen und klinischen Gemeinschaft angewendet werden, um statistische Konsistenz zwischen Trainings- und Validierungsdatensätzen sicherzustellen.
Anwendung der Radiomik bei Magenkrebs
Eine umfassende Suche in PubMed-Datenbanken mit Begriffen wie „Radiomik“, „Texturanalyse“ und „Magenkrebs“ ergab 17 Originalartikel. Diese Studien zeigten, dass die Radiomik eine moderate bis hervorragende Leistung in verschiedenen Aspekten des Magenkrebsmanagements aufweist, einschließlich Differenzialdiagnose, Beurteilung des histologischen Grades, Tumorstaging, Vorhersage des Therapieansprechens und Prognose.
Differenzialdiagnose
Die Unterscheidung zwischen primärem Magenlymphom, gastrointestinalem Stromatumor (GIST) und Adenokarzinom ist aufgrund ihrer ähnlichen Erscheinung auf Routine-CT schwierig. Zwei Studien untersuchten die Verwendung der Radiomik für die Differenzialdiagnose. Ba-Ssalamah et al. analysierten Texturmerkmale aus präoperativen arteriellen und portalvenösen CT-Bildern und fanden heraus, dass VOI-basierte Texturmerkmale aus arteriellen Bildern GIST von Lymphomen mit 100%iger Genauigkeit und Adenokarzinom von Lymphomen mit einer Fehlklassifikationsrate von 3,1% unterscheiden konnten. Ma et al. berichteten, dass ganze Läsionen basierte Texturmerkmale aus portalvenösen CT-Bildern Adenokarzinom von Lymphomen mit einer Genauigkeit von 87% unterscheiden konnten.
Vorhersage des histologischen Grades
Histopathologische Merkmale beeinflussen die Behandlung und Prognose erheblich. Liu et al. segmentierten ganze Läsionen auf präoperativen arteriellen und portalvenösen Bildern von 107 Patienten und identifizierten radiomische Merkmale, die mit dem histologischen Grad und dem Lauren-Typ korrelierten. Zhang et al. sammelten ADC-Karten von 78 Patienten und fanden heraus, dass Histogrammparameter zwischen Läsionen mit unterschiedlichen histologischen Graden signifikant unterschiedlich waren, obwohl ihre klinische Nützlichkeit aufgrund niedriger AUC-Werte begrenzt war.
Vorhersage des Tumorstadiums
Eine genaue Stadieneinteilung des Tumors ist entscheidend für die Auswahl der geeigneten Therapieansätze. Fünf Studien bewerteten die Radiomik zur Vorhersage des Lymphknotenstatus, der Gefäßinvasion und der okkulten Peritonealmetastasen. Liu et al. fanden heraus, dass ganze Läsionen basierte radiomische Merkmale positive Lymphknotenmetastasen mit einer Genauigkeit von 74-81% identifizieren konnten, aber nicht zur Vorhersage des T-Stadiums nützlich waren. Feng et al. entwickelten ein Radiomik-Modell unter Verwendung präoperativer portalvenöser CT-Bilder von 490 Patienten und erreichten einen AUC von 0,824 in der Trainingskohorte und 0,764 in der Testkohorte für die Vorhersage von Lymphknotenmetastasen. Dong et al. führten eine multizentrische Studie an 554 Patienten mit okkulten Peritonealmetastasen durch und entwickelten ein Nomogramm mit einem AUC von 0,958 im Trainingsset und 0,941, 0,928 und 0,920 in den Validierungssets.
Vorhersage des Therapieansprechens und der Prognose
Die Identifizierung prätherapeutischer prädiktiver Marker für das Ansprechen und die Prognose ist für die individualisierte Behandlung von unschätzbarem Wert.
Prognose nach chirurgischer Resektion
Giganti et al. untersuchten den Zusammenhang zwischen CT-Texturparametern und dem Gesamtüberleben (OS) bei 56 Patienten und fanden heraus, dass Merkmale wie Energie, Entropie und Schiefe signifikant mit einer schlechten Prognose verbunden waren. Li et al. entwickelten ein Nomogramm, das ROI-basierte radiomische Signaturen und klinische Parameter integrierte, das eine bessere Vorhersagegenauigkeit für die Prognose bot als entweder radiomische Signaturen oder klinische Parameter allein.
Prognose nach neoadjuvanter Chemotherapie (NAC)
Vier Studien untersuchten die Radiomik zur Vorhersage des Ansprechens und der Prognose von NAC. Giganti et al. fanden heraus, dass Entropie, Bereich und quadratischer Mittelwert unabhängige Prädiktoren für das Ansprechen waren. Jiang et al. führten eine multizentrische Studie an 1591 Patienten durch und entwickelten einen prognostischen Klassifikator mit Hazard Ratios (HRs) von 2,98, 3,17 und 2,671 für die Vorhersage des krankheitsfreien Überlebens (DFS) und 3,72, 3,415 und 2,830 für die Vorhersage des OS in Trainings-, internen und externen Testsets.
Prognose bei gezielter Chemotherapie mit Trastuzumab
Yoon et al. untersuchten 26 Patienten mit HER2-Überexpression und fanden heraus, dass GLCM-Merkmale wie Kontrast, Varianz und Korrelation Responder von Non-Respondern mit AUCs zwischen 0,75 und 0,77 unterscheiden konnten.
Prognose bei Strahlentherapie
Hou et al. segmentierten VOIs von prätherapeutischen arteriellen CT-Bildern von 43 Patienten und fanden heraus, dass radiomische Signaturen das Ansprechen auf Strahlentherapie mit AUCs von 0,714 und 0,749 unter Verwendung von ANN- und k-Nearest-Neighbor-Methoden im Trainingsset und 0,816 im Validierungsset vorhersagen konnten.
Herausforderungen und zukünftige Perspektiven
Trotz ihres Potenzials steht die Radiomik bei Magenkrebs noch am Anfang und sieht sich mehreren Herausforderungen gegenüber.
Bildaufnahme
Die Leistungsfähigkeit radiomischer Modelle hängt von ausreichenden Patientenzahlen ab. Die meisten Studien sind retrospektiv, mit Bildern von mehreren Scannern und variabler Schichtdicke, was die Variabilität der Merkmale erhöht. Standardisierte Bildgebungsprotokolle werden empfohlen, um die Reproduzierbarkeit zu verbessern.
Bildsegmentierung
Variabilität in den Segmentierungsmethoden kann Verzerrungen einführen. Die computergestützte Kantenerkennung gefolgt von manueller Nachbearbeitung ist derzeit die beste Methode, obwohl Deep-Learning-Ansätze Verbesserungen bieten könnten. Die Effizienz von 3D-VOI-basierten Merkmalen wird durch Partialvolumeneffekte beeinträchtigt, und ihre Überlegenheit gegenüber 2D-ROI-basierten Merkmalen muss weiter untersucht werden.
Merkmalsextraktion und -auswahl
Verschiedene Software und Programme werden für die Merkmalsextraktion verwendet, und nicht alle Merkmale sind nützlich. Der Prozess der Merkmalsreduktion sollte klar dokumentiert werden, um Robustheit zu gewährleisten.
Modellkonstruktion und -validierung
Verschiedene Modellierungstechniken haben inhärente Einschränkungen, und die Wahl der Technik beeinflusst die Vorhersageleistung. Modelle sollten extern validiert werden, um die Generalisierbarkeit sicherzustellen.
Zukünftige Richtung der Radiomik bei Magenkrebs
Zukünftige Forschung sollte sich auf die Langzeitüberlebensvorhersage nach NAC, die Identifizierung spezifischer Krebsuntergruppen für gezielte Therapien und die Verwendung multimodaler bildgebungsbasierter Radiomik für ein umfassenderes Bild des Tumors konzentrieren.
Zusammenfassung
Die Radiomik stellt eine neue Hoffnung in der klinischen Entscheidungsfindung bei Magenkrebs dar und bietet fortschrittliche Algorithmen, um wertvolle Informationen aus medizinischen Bildern zu extrahieren. Obwohl sie noch in den Anfängen steckt, hat die Radiomik das Potenzial, die Präzisionsmedizin bei Magenkrebs zu revolutionieren, wenn weiterhin Daten gesammelt, Arbeitsabläufe standardisiert und Fortschritte in der künstlichen Intelligenz gemacht werden.
For educational purposes only.
doi.org/10.1097/CM9.0000000000000360