Prognostic performance of radiomic data to predict distant metastases and overall survival in patients with early stage (I/II) non-small cell lung cancer (NSCLC)
Final Report Abstract
Künstliche Intelligenz (KI) hat in jüngster Zeit enorme Fortschritte bei der automatischen Auswertung und Quantifizierung radiologischer Daten gemacht. Dies hat zu Fortschritten bei KI-Anwendungen für Aufgaben geführt, die bis vor einigen Jahren nur von Menschen ausgeführt werden konnten. Diese Durchbrüche wurden insbesondere durch Deep learning vorangetrieben, eine neuartige KI-Methode, die auf einer Netzwerkstruktur basiert, die lose vom menschlichen Gehirn inspiriert ist. Anstatt explizit für eine Aufgabe programmiert zu werden, können Deep-Learning-Algorithmen automatisch aus Datensätzen lernen und so sehr komplexe Beziehungen quantifizieren. Aufgrund der rasanten Entwicklungen auf diesem Gebiet wurde das initiale Projektthema ausgeweitet und von einem relativ simplen traditionellen Radiomics-Ansatz mit Fokus auf den Primärtumor zu einem multimodalen Herangehen erweitert, in dem mittels verschiedener Deep learning-Methoden sowohl der Primärtumor als auch patientenspezifische, extratumorale Charakteristika analysiert wurden. Konkret konnte eine Assoziation zwischen Charakteristika des Primärtumors und verschieden krankheitsspezifischen Endpunkten gezeigt werden. In noch nicht vollständig abgeschlossenen Untersuchungen soll zudem noch geklärt werden, ob sich diese Assoziationen durch bestimmte tumorspezifische Eigenschaften (zirkulierender Tumor-DNA, infiltrierender Lymphozytenmuster, RNA-Sequenzierung) erklären lassen. Darüber hinaus konnte gezeigt werden, dass neben dem Primarius weitere patientenspezifische Charakteristika (Körperkonstitution und biologische Alter) einen Einfluss auf die Prognose haben, die sich mittels Deep learning automatisch quantifizieren lassen und die bisher, obwohl in der Routinediagnostik bei Patienten mit Bronchialkarzinom akquiriert (Röntgen-Thorax, Staging-CT), nicht mit ausgewertet und für eine personalisierte Risikostratifizierung herangezogen werden. Insbesondere die körperliche Konstitution (Muskel- und Fettdepots), quantifiziert auf CT-Untersuchungen, zeigt eine starke Assoziation mit dem Gesamtüberleben und zwar unabhängig von tumorspezifischen Informationen (Stadium, Histologie) und der durchgeführten Therapie (Resektion, Bestrahlung, Chemotherapie, multimodal). Diese Erkenntnisse könnten einen Ansatz bieten, bei der Primärdiagnose gezielt die konstitutionelle Verfassung des Patienten zu evaluieren und u.U. protektive Maßnahmen einleiten. Darüber hinaus hat das biologische Alter, im Gegensatz zum tatsächlichen chronologischen Alter, einen entscheidenden Einfluss auf die Prognose. So konnte gezeigt werden, dass es mittels Deep learning möglich ist, das biologische Alter eines Patienten anhand einer einfachen Röntgen-Thorax-Untersuchung abzuschätzen, und dass dieses biologische Altersmaß in verschieden klinischen Szenarien einen besseren Prädiktor für die Prognose des Patienten darstellt, als das tatsächliche chronologische Alter – unabhängig von demographischen und kardiovaskulären Risikofaktoren. Dieser Ansatz stellt eine Möglichkeit dar, anhand ohnehin erhobener Daten (Röntgen-Thorax) eine automatische personalisierte Abschätzung über das biologische Alter des Patienten zu gewinnen, was neben der Risikoprädiktion hinsichtlich des Überlebens auch für andere Endpunkte, wie Therapieansprechen, Nebenwirkungsprofil und erforderliche/vertretbare Dosis von Medikamenten wichtige Zusatzinformationen im Rahmen eines multimodalen und personalisierten Therapiekonzeptes liefern könnte.
