CT-Based Habitat Radiomics and Deep Learning for Predicting Early Response and Survival in Unresectable Hepatocellular Carcinoma Treated with Hepatic Arterial Infusion Chemotherapy plus Lenvatinib and Programmed Death Receptor-1 Inhibitors

Leberkrebs, speziell die als hepatozelluläres Karzinom bekannte Form, ist ein gewaltiger Gegner, da er sich bei jedem Patienten selten auf die gleiche Weise verhält. Selbst wenn zwei Menschen Tumoren der gleichen Größe haben und exakt dieselbe starke Behandlung erhalten, kann es bei dem einen Patienten zu einer dramatischen Schrumpfung des Krebses kommen, während sich beim anderen gar nichts verändert. Diese Unvorhersehbarkeit rührt daher, dass ein einzelner Tumor kein einheitlicher Gewebeklumpen ist, sondern eine komplexe Landschaft aus verschiedenen Zelltypen und Umgebungen, die dicht nebeneinander liegen. Für Ärzte bestand die Herausforderung darin, einen Weg zu finden, in diese Landschaft hineinzublicken, bevor die Behandlung beginnt, um zu erahnen, welche Patienten auf eine bestimmte Kombination von Medikamenten ansprechen werden und welche nicht. Das Ziel ist es, weg vom Raten und hin zu einem präzisen, personalisierten Plan zu gelangen, um einigen Patienten ineffektive Therapien zu ersparen und sicherzustellen, dass andere sofort die Hilfe erhalten, die sie benötigen.

Um dies zu lösen, setzten Forscher in China sich zum Ziel, eine neue Art von digitaler Landkarte zu erstellen. Sie konzentrierten sich auf eine spezifische Gruppe von Patienten mit fortgeschrittenem Leberkrebs, die sich keiner Operation unterziehen konnten. Diese Patienten wurden mit einer Dreifach-Kombinationstherapie behandelt: einer Chemotherapie-Infusion, die direkt in die Arterien der Leber abgegeben wurde, einer gezielten Tablette namens Lenvatinib und einem Immuntherapeutikum, das dem Körper hilft, den Krebs durch das Immunsystem zu bekämpfen. Obwohl diese Kombination vielversprechend ist, wussten die Forscher, dass nicht jeder davon profitieren würde. Sie wollten ein Werkzeug entwickeln, das bereits vor der ersten Dosis vorhersagt, ob sich der Tumor eines Patienten signifikant verkleinern wird und wie lange dieser frei von einer Krankheitsprogression bleiben wird.

Das Team sammelte medizinische Bilder von 240 Patienten aus zwei verschiedenen Krankenhäusern. Es handelte sich dabei um Standard-CT-Aufnahmen, die mit einem Kontrastmittel erstellt wurden, um die Blutgefäße und den Tumor deutlich hervorzuheben. Anstatt den Tumor als ein einzelnes, solides Objekt zu betrachten, nutzten die Forscher eine Technik namens Habitat-Bildgebung. Stellen Sie sich den Tumor als eine große, vielfältige Stadt vor und nicht als ein einzelnes Gebäude. Genau wie eine Stadt verschiedene Stadtteile hat – einige mit regem Treiben, andere ruhig oder in Verfall begriffen – besitzt auch ein Tumor unterschiedliche Zonen mit einzigartigen Charakteristika. Die Forscher nutzten einen Computer-Algorithmus, um die winzigen Pixel des CT-Scans basierend auf ihrem Aussehen in diese verschiedenen Stadtteile zu sortieren. Sie fanden heraus, dass die Aufteilung des Tumors in drei spezifische Zonen das klarste Bild seiner internen Vielfalt lieferte.

Sobald diese Zonen identifiziert waren, extrahierte das Team tausende winziger Details aus den Bildern, wie etwa Textur, Form und Helligkeitsmuster. Dies wird als Radiomics bezeichnet. Dies taten sie für den gesamten Tumor sowie separat für jeden der drei Stadtteile. Gleichzeitig verwendeten sie eine Art von künstlicher Intelligenz namens Deep Learning, um die Bilder zu scannen. Diese Technologie funktioniert anders; anstatt nach vordefinierten Mustern zu suchen, lernt sie, komplexe Formen und Strukturen zu erkennen, indem sie die Bilder direkt studiert, ähnlich wie ein Kind ein Gesicht erkennt, indem es viele Beispiele sieht. Die Forscher testeten verschiedene Deep-Learning-Architekturen, um herauszufinden, welche am besten darin war, die subtilen Anzeichen eines Tumors zu entdecken, der auf eine Behandlung anspricht.

Die Forscher kombinierten anschließend all diese Informationen – die Details aus den verschiedenen Tumor-Habitaten, die von der künstlichen Intelligenz gelernten Muster und grundlegende klinische Daten wie Leberfunktionstests – zu einem einzigen, leistungsstarken Vorhersagemodell. Sie testeten dieses Modell an drei verschiedenen Patientengruppen: einer Gruppe, die zum Aufbau des Modells diente, einer zweiten Gruppe, um es intern zu überprüfen, und einer dritten Gruppe aus einem anderen Krankenhaus, um zu sehen, ob es in der realen Welt funktioniert. Die Ergebnisse waren beeindruckend. Das kombinierte Modell war in der Lage, mit hoher Genauigkeit vorherzusagen, welche Patienten nach nur wenigen Wochen der Behandlung eine signifikante Verkleinerung ihrer Tumoren erfahren würden. In der unabhängigen Patientengruppe aus dem zweiten Krankenhaus identifizierte das Modell Responder etwa 87 Prozent der Zeit korrekt, eine Leistung, die deutlich besser war als jede einzelne Methode allein.

Über die bloße Vorhersage, wer ansprechen würde, hinaus, bot das Modell auch ein Fenster in die Zukunft. Die Forscher fanden heraus, dass die Patienten, die das Modell als wahrscheinlich ansprechend identifizierte, im Vergleich zu denen, die als nicht ansprechend vorhergesagt wurden, länger ohne eine Verschlechterung ihrer Krankheit lebten. Tatsächlich konnte das Modell Patienten in Hochrisiko- und Niedrigrisikogruppen mit einem klaren Unterschied in ihren Überlebensergebnissen aufteilen. Die Patienten, die als Niedrigrisiko eingestuft wurden, lebten ein mittleres Stadium von 14 Monaten ohne Fortschreiten ihrer Krankheit, während die Patienten in der Hochrisikogruppe ein mittleres Stadium von nur 6,3 Monaten lebten. Dies deutet darauf an, dass das Modell etwas Grundlegendes über die Biologie des Tumors erfasst, das einfache Messungen nicht sehen können.

Die Studie verdeutlichte auch, warum dieser Ansatz so gut funktioniert. Indem sie den Tumor in seine verschiedenen Habitate zerlegten, konnte das Modell die spezifischen Zonen identifizieren, die Resistenzen oder die Empfindlichkeit gegenüber den Medikamenten steuern. Die künstliche Intelligenz fügte eine weitere Ebene hinzu, indem sie komplexe visuelle Muster entdeckte, die dem menschlichen Auge oder Standardmessungen entgehen würden. Wenn diese beiden leistungsstarken Methoden mit einfachen klinischen Daten verschmolzen wurden, schufen sie ein Werkzeug, das weitaus zuverlässiger war als seine einzelnen Bestandteile. Die Forscher merkten an, dass das Modell zwar sehr vielversprechend ist, aber auf vergangenen Daten aufgebaut wurde und in zukünftigen, größeren Studien getestet werden muss, um seinen Wert für jeden Patienten zu bestätigen. Dennoch bieten die Ergebnisse einen greifbaren Fortschritt: eine nicht-invasive Möglichkeit, in die komplexe Welt eines Lebertumors hineinzublicken und fundiertere, besser informierte Entscheidungen darüber zu treffen, wie man ihn bekämpft.