Detailseite
Projekt
KI-basierte Aszites Detektion und Quantifizierung bei Patient:innen mit hepatozellulärem Karzinom - Entwicklung, Umsetzung und klinische Relevanz
Antragsteller
Dr. Lukas Müller
Fachliche Zuordnung
Radiologie
Förderung
Förderung seit 2023
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 518477942
Das hepatozelluläre Karzinom (HCC) ist das häufigste primäre Lebermalignom. Über 80 % der Patienten entwickeln das HCC als Folge einer Leberzirrhose. Somit besteht häufig ein Dualismus aus Tumormanifestation und chronischer Erkrankung, die sich gegenseitig potenzieren und in ihrem Verlauf beeinflussen. Zudem werden Therapieentscheidungen erschwert, da die Tumorlast alleine nur bedingt zur Prognosebestimmung der Patient:innen ausreicht. Doch auch unter Einbeziehung von Laborparametern, die mit der verbliebenen Lebersyntheseleistung korrelieren, bleiben Therapieentscheidung schwierig. Dies liegt mitunter daran, dass neben einer Einschränkung der Lebersyntheseleistung, auch morphologische Veränderungen der Leber und des portalvenösen Zuflusses im Rahmen der chronischen Entzündung entstehen. Diese führen in einem Großteil der Patient:innen zu einer portalvenösen Hypertension, die wiederum mit einer Einschränkung der Therapiefähigkeit einhergeht und deren Ausmaß die Prognose damit deutlich beeinflusst. Goldstandard zur Bestimmung des portalvenösen Drucks ist direkte transjuguläre Bestimmung, welche aufgrund ihrer Invasivität und den damit verbundenen Risiken kein Standard im initialen Diagnostikpfad bei Patient:innen mit HCC ist. Verschiedene Surrogat-Parameter zur nicht-invasiven Bestimmung des portalvenösen Drucks aus Bilddaten wurden vorgeschlagen. In einer Vorarbeit konnten wir zeigen, dass bei rein qualitativer Bestimmung nur das Vorhandensein von Aszites eine hohe Korrelation mit der Prognose der Patient:innen hat. Es gibt jedoch keine Evidenz dazu, wie relevant das quantifizierte Aszites-Volumen für die Prognose der Patient:innen ist, obwohl deutliche inter-individuelle Unterschiede vorhanden sind und die Volumina von wenigen Millilitern bis zu mehreren Litern variieren. Das Hauptproblem ist die aufwändige händische Aszites-Quantifizierung aus Schnittbilddaten, die sich nicht sinnvoll in die tägliche radiologische Routine integrieren lässt. Durch eine automatisierte Volumetrie mithilfe von "deep learning"-Techniken könnte diese Aufgabe jedoch ohne Zeitverlust durchgeführt werden. Damit würde in jedem Befundbericht automatisch ein weiterer, hoch relevanter prognostischer Faktor zur Verfügung stehen. Ziel dieses Projektvorhabens ist es deshalb die Rolle des quantifizierten Aszites-Volumen bei Patient:innen mit HCC tiefergehend zu untersuchen. Hierfür soll in einem ersten Schritt ein Algorithmus zur voll automatisierten Aszites-Bestimmung aus Routinedatensätzen trainiert und validiert werden. Anschließend soll in einem zweiten Schritt das Aszites-Volumen mit Prognoseparametern und der Risikoeinschätzung der hepatischen Dekompensation unter Therapie korreliert werden. Abschließend soll mit diesen Informationen und in Kombination mit vorbekannten Risikofaktoren ein Model zur verbesserten Prognosebestimmung bei Patient:innen mit HCC entwickelt werden.
DFG-Verfahren
Sachbeihilfen
