Development of a combined nomogram integrating radiomics, deep learning and clinical risk factors to predict neoadjuvant chemoradiotherapy outcomes in patients with rectal cancer

Technisches Resümee: Kombiniertes Nomogramm zur Vorhersage des Outcomes der neoadjuvanten Radiochemotherapie bei Rektumkarzinomen

Problemstellung
Eine genaue Vorhersage der Ergebnisse der neoadjuvanten Radiochemotherapie (nCRT) bei lokal fortgeschrittenem Rektumkarzinom (RC) ist entscheidend für die Festlegung nachfolgender Behandlungsstrategien, wie etwa „Watch and Wait“ bei vollständigen Respondern oder eine rechtzeitige Operation bei Nicht-Respondern. Aktuelle Bewertungsmethoden, einschließlich der pathologischen Untersuchung (invasiv und durch Stichproben begrenzt), der digitalen rektalen Untersuchung (subjektiv und nicht in der Lage, die Tiefe zu quantifizieren) sowie von Serum-Tumormarkern wie CEA (unwirksam bei Nicht-Sekretoren), verfügen nicht über die erforderlichen nicht-invasiven, präzisen und personalisierten Fähigkeiten für die klinische Entscheidungsfindung. Zudem weisen nCRT-bedingte Läsionen häufig Ödeme, Fibrosen und Entzündungen auf, was die Beurteilung mittels Standard-MRT allein erschwert. Diese Studie adressiert das Bedürfnis nach einem robusten, nicht-invasiven Vorhersagewerkzeug, das Bildgebungsdaten und klinische Daten integriert, um die Wirksamkeit der nCRT vorherzusagen.

Methodik
Die Studie nutzte eine retrospektive Kohorte von 292 Patienten mit Rektumkarzinom (230 in der Trainingsgruppe, 62 in der Validierungsgruppe), die sich vor der nCRT einer T2-gewichteten MRT und einer anschließenden totalen mesorektalen Exzision (TME) unterzogen. Das Outcome wurde durch das pathologische Graduierungssystem der Tumorregression (TRG) definiert, wobei Patienten in Responder (TRG1/2) und Nicht-Responder (TRG3) kategorisiert wurden.

Die Methodik umfasste einen mehrstufigen Modellierungsansatz:

1. Bildvorverarbeitung und Annotation: Die MRT-Bilder wurden einer N4-Bias-Field-Korrektur unterzogen, auf isotrope 1mm³ Voxel resampelt und durch erfahrene Radiologen mittels ITK-SNAP manuell in intra- und peritumorale Regionen segmentiert.
2. Entwicklung des Radiomics-Modells: Es wurden 1.561 Radiomics-Merkmale (Form, First-Order-Statistiken und Textur) mittels PyRadiomics extrahiert. Die Merkmale wurden auf Inter-Observer-Reliabilität (ICC > 0,80) und Multikollinearität (|r| ≥ 0,95) gefiltert und mittels LASSO-Regression ausgewählt. Es wurden zwei Modelle erstellt: eines, das nur intra-tumorale Regionen nutzt (Rad-Tumor), und eines, das intra- und peritumorale Regionen kombiniert (Rad-Tumor+Peri).
3. Entwicklung des Deep Learning (DL)-Modells: Ein ResNet50-Convolutional-Neural-Network wurde auf denselben segmentierten Regionen trainiert. Zur Erhöhung der Trainingsstichprobengröße um das Achtfache wurde Data Augmentation (Rotation, Translation, Skalierung, Spiegelung) angewandt. Ähnlich wie bei den Radiomics wurden zwei DL-Modelle konstruiert: DL-Tumor und DL-Tumor+Peri.
4. Selektion klinischer Variablen: Klinische Faktoren (Demografie, MRT-Staging, Serum-Biomarker) wurden mittels univariater und multivariater Regression untersucht. Nur die extrakutane vaskuläre Invasion (EMVI) und der Tumorlokalisation wurden als signifikante Prädiktoren beibehalten.
5. Konstruktion des Nomogramms: Ein kombiniertes Nomogramm wurde entwickelt, indem der Radscore (aus Rad-Tumor+Peri), der DLscore (aus DL-Tumor+Peri) und die ausgewählten klinischen Variablen (EMVI, Tumorlokalisation) integriert wurden.

Wesentliche Beiträge

• Integration peri-tumoraler Regionen: Die Studie zeigt, dass die Einbeziehung von Merkmalen des peri-tumoralen Fettgewebes die Vorhersageleistung sowohl für Radiomics- als auch für Deep-Learning-Ansätze im Vergleich zu reinen Tumor-Modellen signifikant verbessert.
• Hybride Modellierungsstrategie: Die Arbeit führt ein Nomogramm ein, das hochdimensionale Deep-Learning-Merkmale, statistische Radiomics-Signaturen und spezifische klinische Risikofaktoren synergetisch kombiniert, anstatt sich auf eine einzelne Modalität zu verlassen.
• Vergleichende Analyse: Sie bietet einen direkten Leistungsvergleich zwischen traditioneller Radiomics, Deep Learning und deren kombinierter Anwendung innerhalb eines einzigen klinischen Rahmens.

Ergebnisse

• Modellleistung: Im Validierungsdatensatz erreichte das kombinierte Nomogramm die höchste Vorhersagegenauigkeit mit einer Area Under the Curve (AUC) von 0,921 (95 % KI, 0,824–0,974). Dies war signifikant überlegen gegenüber dem eigenständigen DL-Tumor+Peri-Modell (AUC 0,845) und dem Rad-Tumor+Peri-Modell (AUC 0,739) (alle p-Werte < 0,05).
• Einfluss peri-tumoraler Merkmale: Die Einbeziehung peri-tumoraler Regionen verbesserte die AUC sowohl für das Radiomics-Modell (von 0,666 auf 0,739) als auch für das Deep-Learning-Modell (von 0,817 auf 0,845) im Validierungssatz.
• Klinischer Nutzen: Eine Decision Curve Analysis (DCA) zeigte an, dass das Nomogramm über den Großteil der Schwellenwahrscheinlichkeiten hinweg einen höheren Nettonutzen bot als andere Modelle. Kalibrierungskurven und der Hosmer-Lemeshow-Test bestätigten eine gute Konsistenz zwischen den vorhergesagten Wahrscheinlichkeiten und den tatsächlichen Ergebnissen.
• Spezifische klinische Faktoren: Die multivariate Analyse identifizierte EMVI und die Tumorlokalisation als die einzigen signifikanten klinischen Prädiktoren unter den 13 ursprünglich erhobenen Faktoren.

Bedeutung und Ansprüche
Die Autoren behaupten, dass das entwickelte Nomogramm als effektives, nicht-invasives Werkzeug zur Vorhersage der nCRT-Ergebnisse bei Patienten mit Rektumkarzinom dient. Durch die Integration von Deep-Learning-Merkmalen, Radiomics-Signaturen und klinischen Variablen bietet das Modell eine verbesserte diagnostische Leistung gegenüber Single-Modality-Ansätzen. Die Studie postuliert, dass dieses Werkzeug Kliniker dabei unterstützen kann, Behandlungsstrategien zu personalisieren, wodurch potenziell Patienten vor unnötigen Nebenwirkungen ineffektiver Therapien bewahrt oder die Progression des Tumors durch frühzeitige Identifizierung von Nicht-Respondern verhindert werden kann. Die Autoren räumen Einschränkungen ein, darunter die retrospektive, singlezentrische Natur der Studie sowie die Komplexität der computergestützten Methoden, und legen nahe, dass eine externe Validierung notwendig ist, um die Robustheit zu bestätigen.