CFB-GBM v2.0: An Augmented Longitudinal Dataset for Multi-Modal Glioblastoma Segmentation, Radiomics, and RANO Progression Tracking

Das Glioblastom ist die aggressivste Form des primären Hirntumors bei Erwachsenen, eine Krankheit, die mit beängstigender Geschwindigkeit voranschreitet und eine mediane Überlebenszeit von nur fünfzehn Monaten hinterlässt. Da sich der Tumor von Person zu Person so unterschiedlich verhält, haben Ärzte Schwierigkeiten vorherzusagen, wer auf eine Behandlung ansprechen wird und wer nicht. Derzeit stützt sich die Standardmethode zur Beurteilung, ob eine Therapie wirkt, auf die Magnetresonanztomographie, oder MRT, die über mehrere Monate hinweg durchgeführt wird. Ärzte suchen nach Veränderungen in der Größe des Tumors, aber dieser Prozess ist langsam. Es dauert oft zwei Monate, um zwischen einem Tumor, der tatsächlich wächst, und einem, der nur aufgrund der durch die Behandlung verursachten Entzündung größer erscheint, zu unterscheiden. Diese Verzögerung ist kritisch; in einem Wettlauf gegen die Zeit kann das Warten von zwei Monaten, um einen versagenden Behandlungsplan anzupassen, über Leben und Tod entscheiden. Um dies zu lösen, benötigen Forscher riesige Mengen an detaillierten medizinischen Daten, die Patienten im Zeitverlauf verfolgen und genau zeigen, wie sich ihre Tumore verändern und wie sie auf eine Therapie reagieren. Solche Daten waren jedoch rar gesät, oft in privaten Krankenhausakten verborgen oder es fehlten entscheidende Details, die für den Aufbau zuverlässiger Computermodelle notwendig sind.

Ein Forscherteam aus Frankreich hat nun ein bedeutendes Update für eine öffentliche Datenbank veröffentlicht, die Wissenschaftlern und Ärzten helfen soll, diese Hürden zu überwinden. Diese neue Sammlung namens CFB-GBM v2.0 vereint die Krankenakten und Scans von 264 Patienten, die zwischen 2017 und 2023 in einem einzelnen Onkologiezentrum wegen eines Glioblastoms behandelt wurden. Der Datensatz ist besonders, da er diese Patienten durch drei verschiedene Momente ihrer Behandlungsreise begleitet: vor Beginn der Therapie sowie etwa vier und sechs Monate danach. Für jeden dieser Momente enthält die Datenbank eine große Vielfalt an Bildern, wie zum Beispiel verschiedene Arten von MRT-Scans und CT-Scans, zusammen mit präzisen Karten der Strahlendosen, die die Patienten erhalten haben. Die wichtigste Ergänzung in dieser neuen Version ist, dass die Forscher die fehlenden Puzzleteile ergänzt haben: Sie haben detaillierte Umrisse der Tumore für jeden einzelnen Patienten zu jedem einzelnen Zeitpunkt erstellt. In der ursprünglichen Version der Daten fehlten diese Umrisse für die meisten Patienten in den späteren Stadien, was es unmöglich machte, die Veränderung der Tumore im Zeitverlauf zu untersuchen. Jetzt, da die Umrisse für fast alle Patienten vollständig sind, ermöglicht die Datenbank den Forschern, die gesamte Geschichte der Krankheitsentwicklung zu sehen.

Um diese neuen Umrisse zu erstellen, hat das Team nicht jeden einzelnen Tumor mühsam von Hand nachgezeichnet – eine Aufgabe, die Jahre gedauert hätte. Stattdessen trainierten sie ein hochentwickeltes Computerprogramm, um die Arbeit zu erledigen. Sie begannen mit einem Modell, das bereits gelernt hatte, Hirntumore aus einer anderen, großen Sammlung medizinischer Bilder zu erkennen. Dann lehrten sie dieses Programm mithilfe der wenigen hochwertigen Umrisse, die sie bereits von ihren eigenen Patienten hatten. Soblich das Programm die Muster gelernt hatte, generierte es automatisch die fehlenden Tumorumrisse für den Rest der Gruppe. Um sicherzustellen, dass der Computer keine Fehler macht, überprüften fünf erfahrene Radioonkologen eine zufällige Auswahl der neuen Umrisse. Sie stellten fest, dass die Arbeit des Computers bemerkenswert genau war und die Korrekturen der Experten fast perfekt widerspiegelte. Diese Validierung gibt anderen Wissenschaftlern die Gewissheit, dass sie diese automatisch generierten Umrisse nutzen können, um ihre eigenen Werkzeuge zu trainieren, ohne selbst Monate damit verbringen zu müssen, die Tumore neu zu zeichnen.

Mit den nun vollständigen Tumorumrissen für jeden Patienten in jeder Phase konnten die Forscher exakt berechnen, wie stark die Tumore zwischen den Besuchen geschrumpft oder gewachsen sind. Sie wandten einen weltweit von Ärzten verwendeten Standardsatz von Regeln an, um die Ergebnisse zu klassifizieren. Diese Regeln kategorisieren die Reaktion eines Patienten als vollständiges Verschwinden des Tumors, eine partielle Schrumpfung, einen stabilen Zustand, in dem der Tumor nicht signifikant wächst, oder eine Progression, bei der der Tumor größer wird. Durch dies für jedes mögliche Paar von Zeitpunkten zu tun, hat das Team eine klare, sofort einsatzbereite Aufzeichnung darüber geliefert, wie jeder Patient auf die Behandlung reagiert hat. Dies macht den Datensatz unmittelbar nützlich für Forscher, die versuchen, Systeme der künstlichen Intelligenz zu entwickeln, die den Behandlungserfolg frühzeitig vorhersagen können, was es Ärzten potenziell ermöglichen würde, die Strategie zu wechseln, bevor die Krankheit zu weit fortschreitet.

Über die Tumorumrisse und Reaktionskategorien hinaus enthält der Datensatz weitere Werkzeuge, die die Forschung einfacher und konsistenter machen sollen. Das Team hat vorberechnete Messungen der Textur und Form des Tumors bereitgestellt, die als radiomische Merkmale bekannt sind. Diese Zahlen beschreiben die interne Struktur des Tumors auf eine Weise, die das menschliche Auge nicht sehen kann, und bieten Hinweise auf die Biologie des Krebses. Sie haben auch Masken beigefügt, die das Gehirn vom Rest des Kopfes isolieren, was Forschern hilft, ihre Analyse auf den relevanten Bereich zu konzentrieren, ohne durch Knochen oder Haut gestört zu werden. Darüber hinaus vermerkt die Datenbank nun deutlich, welche Version der Klassifizierungsrichtlinien der Weltgesundheitsorganisation für die Diagnose jedes Patienten verwendet wurde – ein Detail, das wichtig ist, da sich die Definition des Glioblastoms im Jahr 2021 geändert hat, um spezifische genetische Marker vorauszusetzen.

Trotz dieser wesentlichen Verbesserungen weisen die Forscher vorsichtig darauf hin, was die Daten noch nicht aussagen können. Die Datenbank enthält keine Informationen über die spezifischen genetischen Mutationen innerhalb der Tumore, wie etwa den Status des IDH-Gens, welcher ein starker Prädiktor dafür ist, wie ein Patient zurechtkommen wird. Ohしたもの diese genetischen Informationen fehlen, kann der Datensatz nicht verwendet werden, um die Verbindung zwischen den Genen eines Tumors und seinem Verhalten zu untersuchen. Die Autoren schlagen vor, dass zukünftige Updates diese fehlenden genetischen Details enthalten und die Tumorumrisse in noch feinere Teile zerlegen könnten, wie etwa die Trennung des abgestorbenen Zentrums des Tumors von den aktiven Rändern. Für den Moment jedoch stellt CFB-GBM v2.0 eine robuste und zugängliche Ressource dar. Es verwandelt eine Sammlung verstreuter medizinischer Unterlagen in eine kohärente, longitudinale Geschichte von 264 Patienten und bietet der wissenschaftlichen Gemeinschaft eine solide Grundlage, um bessere Wege zu finden, diesen verheerenden Krankheiten auf die Spur zu kommen, sie zu verfolgen, vorherzusagen und letztendlich zu behandeln.