Künstliche Intelligenz zur Prädiktion der postoperativen/postablativen Nierenfunktion bei älteren und/oder komorbiden Patienten mit lokal begrenztem Nierentumor
Nuklearmedizin, Strahlentherapie, Strahlenbiologie
Zusammenfassung der Projektergebnisse
Projektziel war, akute Nierenschädigungen (AKI) sowie chronische Niereninsuffizienz (CKD) nach operativen oder ablativen Eingriffen bei Nierentumoren vorherzusagen. Zunächst wurden für 172 Patienten umfassende klinische und operative Parameter sowie prätherapeutische CT-Daten erhoben. Zur Erstellung von Radiomics erfolgten manuelle Segmentierungen der Nieren und Nierentumoren. Im Anschluss wurden prädiktive Algorithmen entwickelt: Mit maschinellen Lernverfahren wurden klinische Daten und CT-basierte Radiomic Features analysiert. Ein logistisches Regressionsmodell mit 48 Variablen erreichte zur AKI- Vorhersage eine AUC von 0,649 (95 % CI: 0,55–0,749) bei einer Sensitivität von 53,3 % und Spezifität von 72,5 %, während für CKD bessere Werte erzielt wurden (AUC 0,796, 95 % CI: 0,686–0,907, Sensitivität 87,1 %, Spezifität 73,6 %). Zusätzlich wurde ein Deep-Learning-Ansatz mittels eines vortrainierten Convolutional Neural Network (mobilenet v3 small) evaluiert, der für CKD hinter den Erwartungen zurückblieb, während für AKI qualitativ bessere Vorhersagen erzielt wurden. Aufgrund kapazitiver Engpässe seitens der Projektpartner wurde eine Kooperation mit dem Deutschen Krebsforschungszentrum (DKFZ) etabliert. Bei 98 Patienten wurden random forest Modelle auf Basis von 42 klinischen Variablen und Radiomic Features erstellt. Dabei unterschieden die Modelle zwischen ausschließlicher Nutzung von Radiomics (Trainings-AUC 0,759, Test-AUC 0,646), nur klinischen Parametern (Trainings-AUC 0,857, Test-AUC 0,769) und einer Kombination beider Datenquellen, wobei letztere die leistungsstärkste Methode darstellte (Trainings-AUC 0,891, Test-AUC 0,707). Zudem ermöglichten Deep- Learning-Analysen Einblicke in die Relevanz einzelner Parameter für die CKD-Prädiktion. Aktuell sind zwei Publikationen in Vorbereitung und ein Konferenzabstract eingereicht. Zusammengefasst zeigt das Projekt, dass die Kombination aus klinischen Daten und Radiomics mittels maschineller Lernverfahren einen vielversprechenden Ansatz zur Prädiktion von AKI und CKD darstellt. Die Ergebnisse, insbesondere für die CKD, weisen auf eine praxisrelevante Verbesserung der Risikoeinschätzung hin, was für zukünftige Forschungsprojekte von hoher Bedeutung ist.
