Development and validation of a knowledge-guided prognostic model in glioma based on hypoxia-related radiomic features

Hirntumore, die als Gliome bekannt sind, gehören zu den am schwierigsten zu behandelnden Krankheiten. Sie entstehen aus den Stützzellen des Zentralnervensystems und sind berüchtigt für ihre Fähigkeit zur Veränderung und Anpassung, was sie schwer vorhersagbar oder kontrollierbar macht. Ein entscheidender Faktor für das Verhalten dieser Tumore ist ein Zustand namens Hypoxie, was schlichtweg einen Sauerstoffmangel bedeutet. Wenn ein Tumor zu schnell wächst, um mit der Blutversorgung Schritt zu halten, beginnen die inneren Zellen zu ersticken. Dieser Sauerstoffmangel ist nicht nur ein passiver Zustand; er wirkt als ein mächtiger Treiber, der den Krebs aggressiver macht, ihm hilft, Behandlungen zu widerstehen, und oft zu einem schlechteren Ergebnis für den Patienten führt. Seit Jahrzehnten kämpfen Ärzte darum, diesen Sauerstoffentzug zu messen, ohne invasive Operationen durchzuführen, wodurch sie auf die wahre Natur der Krankheit im Kopf eines Patienten angewiesen sind, die sie nur erahnen können.

Forscher hoffen seit langem, dass medizinische Bilder ein Fenster in diese verborgene Biologie bieten könnten. Das Feld der Radiomik versucht genau das zu tun, indem es Computer nutzt, um Muster in Standard-MRT-Scans zu finden, die für das menschliche Auge zu subtil sind. Viele bisherige Versuche, diese Bildmuster mit dem Überleben der Patienten zu verknüpfen, waren jedoch ein Auf und Ab, oft weil die Computer den Computern überlassen wurden, Muster ohne biologische Führung selbstständig zu finden. Eine neue Studie eines Teams der Soochow-Universität und angeschlossener Krankenhäuser in China versucht, diesen Ansatz zu ändern. Anstatt den Computer raten zu lassen, haben sie ein Modell entwickelt, das das Wissen der Wissenschaftler darüber nutzt, wie Tumore auf niedrigen Sauerstoffgehalt reagieren, um die Suche zu leiten. Durch die Kombination dieses biologischen Wissens mit fortgeschrittener Bildanalyse haben sie ein Werkzeug geschaffen, das vorhersagen kann, wie lange ein Patient mit einem Gliom voraussichtlich leben wird, und so einen klareren Weg zu einer personalisierten Versorgung bietet.

Das Team begann mit der Sammlung von Daten von 471 Patienten aus zwei verschiedenen Krankenhäusern und einer öffentlichen Datenbank. Sie konzentrierten sich auf Patienten, die sich einer Operation unterzogen hatten und bei denen präoperative MRT-Scans mit Hochleistungsgeräten durchgeführt worden waren. Diese Scans umfassten drei verschiedene Arten von Bildern: Standard-Schwarz-Weiß-Ansichten, Bilder, die Flüssigkeiten hervorheben, und Bilder, die nach der Injektion eines Kontrastmittels aufgenommen wurden, um zu zeigen, wo die Blutgefäße aktiv sind. Bevor der Computer die Bilder analysieren konnte, zeichneten zwei erfahrene Radiologen mit jahrelanger Erfahrung sorgfältig die Umrisse der Tumore und der sie umgebenden Schwellungen auf jeder Schicht des Scans nach. Dies stellte sicher, dass der Computer in jedem Patienten exakt dieselben Bereiche betrachtete.

Um dem Computer beizubringen, wie „wenig Sauerstoff“ in einem Tumor aussieht, wandte sich die Forschergruppe zunächst an eine Datenbank mit genetischen Informationen. Sie analysierten die Gene von Tumorproben von 152 Patienten, um einen Score zu berechnen, der darstellt, wie sehr der Tumor mit dem Sauerstoffmangel zu kämpfen hat. Dieser genetische Score diente als „Ground Truth“ – die biologische Realität, gegen die die Bilder getestet werden würden. Anschließend verwendeten sie einen Computeralgorithmus, um tausende winzige Details aus den MRT-Scans zu extrahieren, wie etwa die Textur des Tumors, seine Form und die Intensität der Pixel. Das Ziel war es, herauszufinden, welche dieser tausenden Bilddetails mit den genetischen Anzeichen von niedrigem Sauerstoff übereinstimmen.

Die Forscher wandten dann eine einzigartige Strategie an, um ihr Vorhersagemodell zu erstellen. Sie teilten die Bilddetails in zwei Gruppen auf: solche, die wahrscheinlich mit niedrigem Sauerstoff zusammenhängen, und solche, die dies nicht tun. Wenn sie den Computer darauf trainierten, das Überleben der Patienten vorherzusagen, gaben sie der Gruppe mit „niedrigem Sauerstoff“ einen besonderen Vorteil, indem sie dem Modell sagten, dass es diesen spezifischen Merkmalen besondere Aufmerksamkeit schenken soll. Dieser wissensgestützte Ansatz bedeutete, dass das Modell nicht nur nach irgendeinem Muster suchte, das mit dem Überleben korreliert, sondern gezielt nach Mustern suchte, die biologisch sinnvoll sind. Sie testeten fünf verschiedene Arten von Computerlernmethoden, um zu sehen, welche am besten geeignet war, den Sauerstoffstatus der Tumore zu identifizieren, wobei eine Standard-Statistikmethode namens logistische Regression als die genaueste hervorging.

Die Ergebnisse zeigten, dass dieses neue Modell bemerkenswert gut funktionierte. Als die Forscher das Modell verwendeten, um Patienten in Hochrisiko- und Niedrigrisikogruppen einzuteilen, war der Unterschied in ihren Überlebensergebnissen eklatant. Patienten in der Hochrisikogruppe, deren Tumore die spezifischen, mit niedrigem Sauerstoff verknüpften Bildmuster aufwiesen, lebten signifikant kürzer als jene in der Niedrigrisikogruppe. Das Modell war in der Lage, das Überleben mit hoher Genauigkeit vorherzusagen, wobei es in der überwiegenden Mehrheit der Fälle die Ergebnisse für drei Jahre korrekt identifizierte. In einem Krankenhauszentrum erreichte das Modell einen AUC-Wert von 0,926 für das Dreijahresüberleben, während es im zweiten Zentrum einen AUC-Wert von 0,833 erreichte. Diese Zahlen blieben auch bestehen, wenn das Modell an völlig anderen Patientengruppen getestet wurde, was darauf hindeutet, dass es sich nicht bloß um einen glücklichen Zufall bei einem bestimmten Datensatz handelte.

Über die Vorhersage des Überlebens hinaus bot die Studie auch einen tieferen Einblick in die Frage, warum diese Tumore so gefährlich sind. Die Forscher fanden heraus, dass die Hochrisikotumore, die durch die Bildmuster identifiziert wurden, biologisch unterscheidbar waren. Sie waren gefüllt mit einer spezifischen Art von Zelle, den Stromal-Fibroblasten, die helfen, das strukturelle Gerüst des Tumors aufzubauen. Diese dichte Umgebung macht es wahrscheinlich schwieriger für das Immunsystem, den Krebs zu bekämpfen, und erschwert es Medikamenten, die Tumorzellen zu erreichen. Die Bildmuster korrelierten auch stark mit Markern des Immunsystems, was darauf hindeutet, dass das Aussehen eines Tumors im MRT ein direktes Spiegelbild des komplexen Kampfes ist, der im Inneren zwischen dem Krebs und den Abwehrmechanismen des Körpers stattfindet.

Die Studie hob auch die Einschränkungen ihrer Arbeit hervor. Die Forscher merkten an, dass der Prozess des manuellen Zeichnens der Tumorumrisse für die Ärzte sehr zeitaufwendig war und dass die Studie auf Standard-MRT-Scans basierte anstatt auf fortgeschritteneren, spezialisierteren Bildgebungstechniken. Sie wiesen auch darauf hin, dass das Modell zwar gut performte, aber auf vergangenen Daten aufgebaut wurde und zukünftige Studien es in Echtzeit-klinischen Settings testen müssten, um zu sehen, ob es tatsächlich Behandlungsentscheidungen leiten kann. Trotz dieser Vorbehalte legen die Ergebnisse nahe, dass Ärzte, indem sie Computer lehren, nach den richtigen biologischen Hinweisen zu suchen, bald eine nicht-invasive Möglichkeit haben könnten, die verborgene Aggressivität eines Hirntumors zu verstehen. Dies könnte es ihnen ermöglichen, Behandlungen präziser anzupassen, indem sie sich auf die Patienten konzentrieren, die die aggressivste Pflege benötigen, während sie andere vor unnötiger Toxizität bewahren. Die Arbeit stellt einen Schritt in Richtung einer Zukunft dar, in der das Bild eines Tumors die vollständige Geschichte erzählt – nicht nur von seiner Größe, sondern auch von seiner Biologie und seinem wahrscheinlichen Schicksal.