Logo Logo
Hilfe
Kontakt
Switch language to English
Nicht-invasive Bestimmung des Differenzierungsgrades hepatisch metastasierter neuroendokriner Tumoren anhand der Radiomics basierten Bildanalyse von 68Ga-DOTATATE PET/CT-Daten
Nicht-invasive Bestimmung des Differenzierungsgrades hepatisch metastasierter neuroendokriner Tumoren anhand der Radiomics basierten Bildanalyse von 68Ga-DOTATATE PET/CT-Daten
Neuroendokrine Tumoren sind eine heterogene Gruppe seltener Tumoren neuroektodermalen Ursprungs. Da die meisten NET im GIT lokalisiert sind, metastasieren sie vornehmlich über das Drainagegebiet der Portalvene in die Leber. Die für die Therapieentscheidung notwendige Erhebung des Differenzierungsgrades erfolgt abhängig vom Wert des Proliferationsmarkers Ki67. Die für die Bestimmung des Ki67-Markers erforderliche Tumorbiopsie ist aufwendig, beinhaltet Risiken für den Patienten und bewertet immer nur eine Stichprobe des z.T. sehr heterogenen Tumorgewebes (sampling error). Eine nicht-invasive Charakterisierung des gesamten Tumorgewebes bereits anhand der Bildgebung wäre somit wünschenswert. Radiomics bezeichnet ein neuartiges, innovatives Teilgebiet der radiologischen Grundlagenforschung, das sich mit der automatisierten, quantitativen Analyse von Bildparametern befasst, die für das menschliche Auge meist nicht erkennbar sind. Der Begriff Radiomics umfasst die Kombination von automatischer quantitativer Bildanalyse mit machine learning, da man auf der Basis radiologischer Bilddaten unterschiedlicher Modalitäten statistische Aussagen über Gewebeeigenschaften, Diagnosen und Krankheitsverläufe zu treffen versucht und radiomische Signaturen mit Gen-Expressions-Profilen assoziiert sein können. In dieser retrospektiven Single-Center-Studie wurden PET/CT-Daten von 130 Patienten mit hepatisch metastasierten NET durch automatisierte Bildauswertung mit Radiomics auf eine Korrelation von Bildmerkmalen der segmentierten Lebermetastasen mit dem Ki67-Proliferationsmarker und dem davon abhängigen Tumorgrading untersucht. Da über 90 % der NET in Abhängigkeit ihres Differenzierungsgrades auf ihrer Oberfläche SSR exprimieren, erfolgte die Bildgebung durch eine PET/CT mit dem Radiotracer 68Ga-DOTATATE, der über das SSA Octreotat selektiv an diese Oberflächenrezeptoren bindet. Die Lebermetastasen wurden manuell segmentiert und Form-, Histogramm- und Texturmerkmale extrahiert. Nach Vorverarbeitung der Daten wurden diese durch machine learning Algorithmen ausgewertet und auf eine Korrelation mit dem Ki67-Proliferationsmarker untersucht, der zuvor am Biopsat immunhistochemisch bestimmt worden war. Hierzu wurde die Kohorte basierend auf dem Medianwert des Ki67-Markers von 5 % in eine low-grade Gruppe (Ki67 = < 5 %) mit 74 Individuen und eine high-grade Gruppe (Ki67 = > 5 %) mit 56 Individuen unterteilt. Ein data split teilte die Patientenkohorte in eine Trainingsgruppe mit 104 Patienten, die den machine learning Algorithmen zum Erlernen der statistischen Zusammenhänge diente, und eine Validierungsgruppe mit 26 Individuen, um die erlernte automatisierte Zuteilung abhängig von den n wichtigsten features aus n (2,5,10,20,50,100) zu evaluieren. Die zufällige Gruppeneinteilung und machine learning Auswertung durch die RFC erfolgte mehrfach, um belastbare Ergebnisse zu erzielen. Bei drei data splits ergab sich für die Gruppenzuteilung nur eine mittlere Accuracy von 61,5 % und eine mittlere AUC von 0,572. Die Werte unterschieden sich bei jedem data split, und die Zahl der features mit der höchsten statistischen Übereinstimmung war von data split zu data split unterschiedlich, was eine Anwendung auf unbekannte Datensätze erschwert. Eine verlässliche Differenzierung des Ki67-Proliferationsmarkers war somit nicht möglich. Wahrscheinlich unterschieden sich die Bilddaten nicht genug, um eine Differenzierung des Tumorgrades zu gewährleisten. Ein mögliches Problem könnte zudem an der Tatsache liegen, dass der Ki67-Wert das proliferative Wachstumsverhalten des Tumors beschreibt, die SSR-Oberflächenxpression aber, auf der die Signalintensität im PET/CT beruht, konstitutionell ist. Die Marker beschreiben also nicht die gleiche Tumoreigenschaft. Eine stärkere Proliferation des Tumors steht nicht im Zusammenhang mit einer stärkeren SSR-Expression. Im Gegenteil zeigen G3 NET z.T. eine verminderte SSR-Expression an der Oberfläche. Die immunhistochemische Untersuchung des bioptisch entnommenen Metastasengewebes findet zudem ex vivo und statisch statt, die PET/CT hingegen ist eine dynamische in vivo Untersuchung und umfasst das gesamte Tumorgewebe. Auch hier bestehen Diskrepanzen in der Vergleichbarkeit . Radiomics ist erst seit wenigen Jahren technisch verfügbar, und die Anwendung bezieht sich bisher meist auf MRT- oder CT-Datensätze. Unsere Untersuchung der PET/CT-Datensätze von NET ist daher mit anderen Arbeiten schwierig zu vergleichen. Auch wenn die Hypothese unserer Studie nicht verifiziert werden konnte, ist sie doch ein Schritt in Richtung des übergeordneten Ziels, eine präzise, effiziente und untersucherunabhängige Diagnostik zu ermöglichen und metabolische, zelluläre und möglicherweise auch genetische Informationen an den unterschiedlichen Tumormanifestationen nicht-invasiv und in vivo quantitativ zu erfassen.
Not available
Krüger, Konstantin
2021
Deutsch
Universitätsbibliothek der Ludwig-Maximilians-Universität München
Krüger, Konstantin (2021): Nicht-invasive Bestimmung des Differenzierungsgrades hepatisch metastasierter neuroendokriner Tumoren anhand der Radiomics basierten Bildanalyse von 68Ga-DOTATATE PET/CT-Daten. Dissertation, LMU München: Medizinische Fakultät
[thumbnail of Krueger_Konstantin.pdf]
Vorschau
PDF
Krueger_Konstantin.pdf

18MB

Abstract

Neuroendokrine Tumoren sind eine heterogene Gruppe seltener Tumoren neuroektodermalen Ursprungs. Da die meisten NET im GIT lokalisiert sind, metastasieren sie vornehmlich über das Drainagegebiet der Portalvene in die Leber. Die für die Therapieentscheidung notwendige Erhebung des Differenzierungsgrades erfolgt abhängig vom Wert des Proliferationsmarkers Ki67. Die für die Bestimmung des Ki67-Markers erforderliche Tumorbiopsie ist aufwendig, beinhaltet Risiken für den Patienten und bewertet immer nur eine Stichprobe des z.T. sehr heterogenen Tumorgewebes (sampling error). Eine nicht-invasive Charakterisierung des gesamten Tumorgewebes bereits anhand der Bildgebung wäre somit wünschenswert. Radiomics bezeichnet ein neuartiges, innovatives Teilgebiet der radiologischen Grundlagenforschung, das sich mit der automatisierten, quantitativen Analyse von Bildparametern befasst, die für das menschliche Auge meist nicht erkennbar sind. Der Begriff Radiomics umfasst die Kombination von automatischer quantitativer Bildanalyse mit machine learning, da man auf der Basis radiologischer Bilddaten unterschiedlicher Modalitäten statistische Aussagen über Gewebeeigenschaften, Diagnosen und Krankheitsverläufe zu treffen versucht und radiomische Signaturen mit Gen-Expressions-Profilen assoziiert sein können. In dieser retrospektiven Single-Center-Studie wurden PET/CT-Daten von 130 Patienten mit hepatisch metastasierten NET durch automatisierte Bildauswertung mit Radiomics auf eine Korrelation von Bildmerkmalen der segmentierten Lebermetastasen mit dem Ki67-Proliferationsmarker und dem davon abhängigen Tumorgrading untersucht. Da über 90 % der NET in Abhängigkeit ihres Differenzierungsgrades auf ihrer Oberfläche SSR exprimieren, erfolgte die Bildgebung durch eine PET/CT mit dem Radiotracer 68Ga-DOTATATE, der über das SSA Octreotat selektiv an diese Oberflächenrezeptoren bindet. Die Lebermetastasen wurden manuell segmentiert und Form-, Histogramm- und Texturmerkmale extrahiert. Nach Vorverarbeitung der Daten wurden diese durch machine learning Algorithmen ausgewertet und auf eine Korrelation mit dem Ki67-Proliferationsmarker untersucht, der zuvor am Biopsat immunhistochemisch bestimmt worden war. Hierzu wurde die Kohorte basierend auf dem Medianwert des Ki67-Markers von 5 % in eine low-grade Gruppe (Ki67 = < 5 %) mit 74 Individuen und eine high-grade Gruppe (Ki67 = > 5 %) mit 56 Individuen unterteilt. Ein data split teilte die Patientenkohorte in eine Trainingsgruppe mit 104 Patienten, die den machine learning Algorithmen zum Erlernen der statistischen Zusammenhänge diente, und eine Validierungsgruppe mit 26 Individuen, um die erlernte automatisierte Zuteilung abhängig von den n wichtigsten features aus n (2,5,10,20,50,100) zu evaluieren. Die zufällige Gruppeneinteilung und machine learning Auswertung durch die RFC erfolgte mehrfach, um belastbare Ergebnisse zu erzielen. Bei drei data splits ergab sich für die Gruppenzuteilung nur eine mittlere Accuracy von 61,5 % und eine mittlere AUC von 0,572. Die Werte unterschieden sich bei jedem data split, und die Zahl der features mit der höchsten statistischen Übereinstimmung war von data split zu data split unterschiedlich, was eine Anwendung auf unbekannte Datensätze erschwert. Eine verlässliche Differenzierung des Ki67-Proliferationsmarkers war somit nicht möglich. Wahrscheinlich unterschieden sich die Bilddaten nicht genug, um eine Differenzierung des Tumorgrades zu gewährleisten. Ein mögliches Problem könnte zudem an der Tatsache liegen, dass der Ki67-Wert das proliferative Wachstumsverhalten des Tumors beschreibt, die SSR-Oberflächenxpression aber, auf der die Signalintensität im PET/CT beruht, konstitutionell ist. Die Marker beschreiben also nicht die gleiche Tumoreigenschaft. Eine stärkere Proliferation des Tumors steht nicht im Zusammenhang mit einer stärkeren SSR-Expression. Im Gegenteil zeigen G3 NET z.T. eine verminderte SSR-Expression an der Oberfläche. Die immunhistochemische Untersuchung des bioptisch entnommenen Metastasengewebes findet zudem ex vivo und statisch statt, die PET/CT hingegen ist eine dynamische in vivo Untersuchung und umfasst das gesamte Tumorgewebe. Auch hier bestehen Diskrepanzen in der Vergleichbarkeit . Radiomics ist erst seit wenigen Jahren technisch verfügbar, und die Anwendung bezieht sich bisher meist auf MRT- oder CT-Datensätze. Unsere Untersuchung der PET/CT-Datensätze von NET ist daher mit anderen Arbeiten schwierig zu vergleichen. Auch wenn die Hypothese unserer Studie nicht verifiziert werden konnte, ist sie doch ein Schritt in Richtung des übergeordneten Ziels, eine präzise, effiziente und untersucherunabhängige Diagnostik zu ermöglichen und metabolische, zelluläre und möglicherweise auch genetische Informationen an den unterschiedlichen Tumormanifestationen nicht-invasiv und in vivo quantitativ zu erfassen.