Intratumoral and multiscale peritumoral radiomics on non-contrast CT for differentiating rectal adenocarcinoma from rectal neuroendocrine tumors: a retrospective diagnostic study
Diese retrospektive Studie zeigt, dass ein maschinelles Lernmodell, das intratumorale und multiskalige peritumorale Radiomics-Merkmale aus der nativen Computertomographie mit klinischen Variablen integriert, die höchste Punktschätzung zur Differenzierung zwischen einem Rektumadenokarzinom und einem Rektumneuroendokrinen Tumor erreicht, wenngleich die Ergebnisse aufgrund der kleinen, einzentrischen Kohorte und der fehlenden externen Validierung explorativ bleiben.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der komplexen Landschaft des menschlichen Körpers kann das Rektum zwei sehr unterschiedliche Arten von Tumoren beherbergen, die in einer Bildgebung ähnlich aussehen, aber völlig unterschiedliche Behandlungen erfordern. Das eine ist eine häufige Form von Krebs, der aggressiv wächst, während das andere ein langsamer wachsender Tumor ist, der aus nervenähnlichen Zellen entsteht. Zwischen ihnen zu unterscheiden, bevor eine Operation stattfindet, ist entscheidend, da es bestimmt, ob ein Patient eine radikale Operation oder einen einfacheren Eingriff benötigt. Normalerweise verlassen sich Ärzte auf kontrastverstärkte Scans, bei denen ein injiziertes Farbmittel die Blutgefäße hervorhebt, um die Art des Tumors zu enthüllen. Jedoch kann nicht jeder Patient dieses Farbmittel erhalten, etwa aufgrund von Allergien oder Nierenproblemen, und manchmal ist nur ein einfacher Scan verfügbar. Dies hinterlässt eine diagnostische Lücke, in der Ärzte gezwungen sind, auf die Form und Textur des Tumors zu achten, ohne die Hilfe farbverstärkter Hinweise zu haben.
Ein Forschungsteam setzte sich zum Ziel zu prüfen, ob sie diese Lücke mithilfe einer Methode namens Radiomics schließen könnten. Anstatt die menschliche Augen zu fragen, den Unterschied zu erraten, behandelten sie die medizinischen Bilder als eine riesige Datenquelle. Sie zerlegten die Bilder der Tumore in tausende winzige numerische Details – sie maßen die Graustufen, die Rauheit und die Muster der Pixel, die für einen Menschen zu subtil sind. Sie betrachteten dabei nicht nur den Tumor selbst, sondern auch das unmittelbar umgebende Gewebe, basierend auf der Überlegung, dass der Einfluss des Tumors auch auf seine Nachbarn ausstrahlen könnte. Indem sie diese verborgenen Muster in ein Computerprogramm einspeisten, das aus Beispielen lernen kann, hofften sie, ein Werkzeug zu entwickeln, das die beiden Tumorarten mithilfe nur der einfachen, nicht-kontrastverstärkten Bilder unterscheiden kann.
Die Studie konzentrierte sich auf 87 Patienten, die zwischen 2019 und 2025 wegen Rektaltumoren behandelt wurden. Die Forscher unterteilten diese Fälle in zwei Gruppen: eine, um den Computer zu lehren, worauf er zu achten hat, und eine weitere, um zu testen, ob der Computer das Gelernte auf neue, bisher ungesehene Fälle anwenden kann. Sie zeichneten sorgfältig die Umrisse der Tumore auf den einfachen CT-Scans nach und erweiterten diese Umrisse auf das umliegende Gewebe um 3 Millimeter und 5 Millimeter, wodurch sie drei verschiedene Zonen zur Analyse erstellten. Aus diesen Zonen extrahierten sie über tausend Merkmale für jeden Patienten, wie etwa die Textur der Tumoroberfläche und die Verteilung der Graustufen im angrenzenden Gewebe. Um sicherzustellen, dass diese Messungen zuverlässig waren, prüften sie, ob verschiedene Beobachter dieselben Linien zeichnen und dieselben Zahlen erhalten würden, wobei sie nur die konsistentesten Daten beibehielten.
Der Computer wurde dann darauf trainiert, die spezifische Kombination dieser winzigen Details zu finden, die die aggressiven Adenokarzinome am besten von den neuroendokrinen Tumoren trennt. Die Forscher testeten verschiedene mathematische Ansätze, doch eine Methode, bekannt als „Extreme Gradient Boosting“, erwies sich als am effektivsten. Sie fanden heraus, dass die Betrachtung des Gewebes direkt 3 Millimeter außerhalb der Tumorgrenze die nützlichsten Informationen lieferte, sogar noch nützlicher als die Betrachtung des Tumors selbst oder des Gewebes 5 Millimeter entfernt. Dies deutet darauf hin, dass die unmittelbare Nachbarschaft des Tumors eine einzigartige Signatur besitzt, die hilft, seinen Typ zu identifizieren. Als die Forscher diese Bilddaten mit standardmäßigen klinischen Informationen wie dem Alter des Patienten und der Größe des Tumors kombinierten, verbesserte sich die Fähigkeit des Computers, zwischen den beiden Zuständen zu unterscheiden, weiter.
Die Ergebnisse zeigten, dass dieser kombinierte Ansatz einen hohen Diskriminationswert von 0,879 erreichte, auf einer Skala, bei der 1,0 eine perfekte Ranking-Fähigkeit darstellt, und damit Modelle übertraf, die nur auf klinischen Daten oder allein auf der Tumorbildgebung basierten. Die Forscher merkten jedoch vorsichtig an, dass das Modell zwar insgesamt gut rankte, aber Schwierigkeiten hatte, wenn es gezwungen wurde, eine endgültige Ja-Nein-Entscheidung an einem bestimmten Schwellenwert zu treffen. In der Testgruppe identifizierte das Modell 70 % der neuroendokrinen Tumore nicht korrekt, wenn der Standard-Schwellenwert verwendet wurde, der aus den Trainingsdaten abgeleitet wurde. Diese hohe Falsch-Negativ-Rate zeigt, dass das Modell noch nicht sensitiv genug war, um als eigenständiges diagnostisches Werkzeug eingesetzt zu werden, trotz seiner starken allgemeinen Ranking-Leistung. Die Studie hob auch hervor, dass die Merkmale, die der Computer als am wichtigsten erachtete, nicht jene waren, die auf herkömmliche Weise statistisch als unterschiedlich bewiesen worden waren, sondern vielmehr eine komplexe Mischung aus Mustern, die erst bei gemeinsamer Analyse hervortraten.
Letztendlich dient diese Arbeit eher als Proof-of-Concept denn als fertiges medizinisches Produkt. Sie demonstriert, dass wertvolle diagnostische Hinweise innerhalb einfacher CT-Scans existieren, verborgen in der Textur des Tumors und des umgebenden Gewebes, die darauf warten, durch fortschrittliche Computertechnik erschlossen zu werden. Die Ergebnisse legen nahe, dass ein zukünftiges Werkzeug Ärzten helfen könnte, bessere Entscheidungen zu treffen, wenn ein Kontrastmittel nicht möglich ist. Da die Studie jedoch in einem einzelnen Krankenhaus mit einer relativ geringen Anzahl von Patienten durchgeführt wurde, gelten die Ergebnisse als explorativ. Die Forscher betonen, dass vor der Anwendung eines solchen Systems in der klinischen Praxis an einer viel größeren und vielfältigeren Gruppe von Menschen getestet werden muss, um sicherzustellen, dass es für alle zuverlässig funktioniert. Vorerst bietet es einen vielversprechenden Ausblick darauf, wie die digitale Analyse eines Tages das menschliche Urteilsvermögen in den schwierigsten diagnostischen Szenarien unterstützen könnte.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.