Radiomics und Deep Learning- Ansätze zur Analyse des pulmonalen Gefäßsystems auf MRT-Daten in der deutschen Nationalen Kohorte (NAKO)

• Antragstellerin: Dr. Ricarda von Krüchten
• Fachliche Zuordnung: Radiologie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 519189125

Die chronisch obstruktive Lungenerkrankung (COPD) ist eine der häufigsten Todesursachen weltweit. Rauchen stellt den häufigsten Risikofaktor dar. Die Entwicklung und das Fortschreiten der Erkrankung sind ein schleichender, unumkehrbarer und gefährlicher Prozess. In der Folge der fortschreitenden Erkrankung, werden die kleinen Gefäßstrukturen in der Lunge, die für den Gasaustausch verantwortlich sind, zunehmend zerstört. Durch diese Remodeling der Gefäße kann das Blut in den Lungenarterien in seinem Fluss behindert werden und der Druck in diesem Gefäß steigt an. Diese sogenannte pulmonale Hypertonie tritt bei einem Teil der COPD Patienten auf und ist mit einer schlechten Prognose assoziiert. Es gibt daher ein großes Interesse an Methoden zur Früherkennung und Möglichkeiten Patienten entsprechend Ihres Risikos zu stratifizieren, um individuelle Therapien möglichst frühzeitig einleiten zu können. Im Rahmen der klinischen Routine werden zur Überwachung von COPD Patienten Lungenfunktionstests angewendet. Diese können jedoch keine notwendigen Vorhersagen zur Früherkennung und Risikostratifizierung treffen. Auch im Rahmen von bildgebenden Untersuchungen können bisweilen die Gefäßstrukturen nicht ausreichend beurteilt werden, um das Risiko abschätzen zu können. Die künstliche Intelligenz hat das vielversprechende Potenzial mit nichtinvasiven Biomarkern Diagnosestellung, Prädiktion der Prognose und Überwachung des Therapieerfolgs erfassen zu können. Die Beurteilung der Gefäßstrukturen und Lungenvolumina mittels Radiomics erfordern eine aufwendige Segmentierung. Um relevant für die klinische Routine zu sein, müssen die Gefäße daher automatisiert erfasst werden können. Die Ganzkörper-MRT Daten in der deutschen Nationalen Kohorte (NAKO) stellen eine einzigartige vielversprechende Möglichkeit zur Entwicklung von Autosegmentierung von Lungenvolumina und Lungengefäßen dar. Im Rahmen dieser Studie soll ein Algorithmus entwickelt und validiert werden, der zuverlässig automatisiert Lungenvolumina und Gefäßstrukturen erfasst. Im zweiten Schritt sollen radiomische Signaturen mit den Lungenvolumina korreliert werden. Da wir im Rahmen unserer Vorarbeiten feststellen konnten, dass die Lungenvolumina mit den pulmonalen Funktionsuntersuchungen korrelieren, bietet diese Studie die großartige Möglichkeit Merkmale im Rahmen des Gefäßsystems zu identifizieren, um Aussagen zur Lungenfunktion treffen zu können. Zusammenfassend bietet diese Studie die einzigartige und vielversprechende Möglichkeit die Therapie von schwerkranken Betroffen individualisiert und zielgenau steuern zu können, um das Überleben und die Lebensqualität substantiell verbessern zu können.

• DFG-Verfahren: Sachbeihilfen
• Mitverantwortliche: Dr. Tobias Norajitra; Professor Dr. Christopher Schlett