Detailseite
Projekt
Radiomics und Machine Learning-basierte Analyse der multiparametrischen 18F-FDG PET/MRT zur Beurteilung der Prädiktion des frühen Therapieansprechen bei Patienten mit Nicht-Kleinzelligem Lungenkarzinom unter Immuntherapie
Antragstellerin
Professorin Dr. Lale Umutlu
Fachliche Zuordnung
Nuklearmedizin, Strahlentherapie, Strahlenbiologie
Förderung
Förderung seit 2019
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 423269483
Die Implementierung der Immuncheckpoint-Inhibitoren hat eine neue Ära der Krebstherapie eingeleutet, die sich durch eine signifikante Verbesserung des Gesamtüberlebens und des progressionsfreien Überlebens von Patienten mit soliden Tumoren auszeichnet.Während 20% der Patienten von einem signifikanten Therapieansprechen profitieren, ist bei 80% der Patienten von einem Therapieversagen auszugehen. Während sich die Krebstherapie in den letzten Jahren stetig und kontinuierlich verbessert und revolutioniert hat, konnte das bildgebende Therapiemonitoring diesem immensen Entwicklungsprozess nicht folgen. Daraus resultierend ergeben sich relevante Restriktionen bei der Anwendung konventioneller Bildgebungsalgorithmen (z.B. der rein morphologischen RECIST Analyse von CT Datensätzen) zum Therapiemonitoring neuer Therapieformen wie z.B. der Immuntherapie. Insbesondere das frühe Therapiemonitoring wird durch konventionelle Bildgebungsalgorithmen nicht suffizient erfaßt, wodurch ein mögliches Therapieversagen zu spät erkannt wird. Dies wiederum kann mit der unnötigen Anwendung potenziell schädlicher und kostenintensiver Medikation einhergehen. Diverse Studien zur Anwendung frühzeitig durchgeführter PET/CT Untersuchungen im Rahmen verschiedener systemischer Therapien haben den Vorteil der kombinierten Analyse von metabolischen und morphologischen Datensätzen zur Evaluation eines frühen Therapieansprechens aufzeigen können. Erste, sehr aktuelle Studien haben diesen Vorteil der kombinierten Analyse (der PET/CT Diagnostik) auch für die Immuntherapie nachweisen können. Während die PET/CT die kombinierte Analyse von metabolischen und morphologischen Parametern ermöglicht, birgt die integrierte PET/MRT das Potenzial, die auszuwertenden Parameter um ein Vielfaches zu steigern. Basierend auf der multiparametrischen Bildgebung können so, neben rein morphologischen und metabolischen Parametern, eine Vielzahl an funktionellen Parametern der Perfusions- und Diffusionsbildgebung genutzt werden, um durch gezieltes Bildgebungs-basiertes Profiling, die Tumorbiologie hinsichtlich ihrer Heterogenität und Phänotypisierung besser analysieren zu können. Dieses Prinzip der Analyse von quantitativen Bildmerkmalen zur statistischen Aussage über Gewebeeigenschaften, Diagnosen und Krankheitsverläufen, auch Radiomics genannt, beansprucht die Anwendung von Algorithmen, die durch Maschinelles Lernen (Machine Learning) gespeist werden, um der Masse und Komplexität der Datensätze gerecht zu werden. Das Ziel unserer Studie ist es, Radiomics und Machine Learning-basierte Algorithmen zu nutzen, um das prädiktive Potenzial der multiparametrischen 18F-FDG-PET/MRT Bildgebung zur Evaluation des frühen Therapieansprechens bei Patienten mit Nicht-Kleinzelligem Lungenkrebs
DFG-Verfahren
Sachbeihilfen
