CT-Based Radiomic Models for Stage Stratification and Relapse Prediction in Colon Cancer

Darmkrebs ist eine Krankheit, bei der die Fähigkeit des Körpers, die Zukunft vorherzusagen, oft so ungewiss ist wie der Verlauf der Krankheit selbst. Ärzte verlassen sich derzeit auf ein System namens Staging, um zu erraten, wie ein Tumor verlaufen wird. Dieses System ordnet den Krebs Gruppen zu, basierend darauf, wie tief der Tumor gewachsen ist und ob er in benachbarte Lymphknoten gestreut hat. Obwohl diese Methode der Standard für die Entscheidung über die Behandlung ist, ist sie nicht perfekt. Zwei Patienten mit demselben Stadium können sehr unterschiedliche Verläufe haben; der eine kann allein durch eine Operation geheilt werden, während der andere innerhalb von fünf Jahren einen Rückfall erleiden könnte. Diese Ungewissheit lässt Ärzte darum kämpfen, die richtige Behandlung zu wählen, noch bevor ein Patient sich einer Operation unterzieht. Das Ziel der modernen Medizin ist es, einen Weg zu finden, in die Biologie des Tumors hineinzusehen, ohne ihn aufzuschneiden, indem bereits vorhandene Bilder genutzt werden, die zur Planung der Operation dienen.

Ein Forschungsteam aus Spanien hat einen Schritt in Richtung dieses Ziels unternommen, indem es Computer gelehrt hat, die verborgenen Details in Standard-CT-Scans zu lesen. Dies sind die dreidimensionalen Röntgenbilder, die Ärzte vor der Operation aufnehmen, um eine Ausbreitung zu prüfen. Die Forscher konzentrierten sich auf ein Feld namens Radiomics, das medizinische Bilder nicht nur als Bilder für das menschliche Auge betrachtet, sondern als riesige Bibliotheken von Daten. Während ein Arzt einen Scan betrachtet, um die Form und Größe eines Tumors zu sehen, kann ein Computer tausende winziger Muster in den Graustufen und Texturen messen, die für das bloße Auge unsichtbar sind. Diese Muster könnten widerspiegeln, wie die Zellen innerhalb des Tumors angeordnet sind oder wie aggressiv sie sind. Durch die Analyse dieser subtilen Texturen hofften die Forscher, ein Werkzeug zu entwickeln, das den Unterschied zwischen zwei spezifischen Stadien des Darmkrebses erkennen und vorhersagen kann, welche Patienten wahrscheinlich einen Rückfall ihrer Erkrankung erleben würden.

Die Studie umfasste 104 Patienten, bei denen Darmkrebs diagnostiziert wurde und die vor ihrer Operation eine CT-Untersuchung erhielten. Die Forscher arbeiteten mit einer spezifischen Gruppe von Patienten und schlossen diejenigen mit seltenen genetischen Erkrankungen oder anderen Krebsarten aus, um sicherzustellen, dass die Daten sauber und fokussiert waren. Sie nahmen die CT-Bilder und zeichneten die Umrisse des Primärtumors manuell in drei Dimensionen nach, wodurch sie eine präzise digitale Karte des Tumorvolumens erstellten. Aus dieser Karte extrahierte der Computer 105 verschiedene Messwerte. Diese Messwerte beschrieben die Form des Tumors, die Verteilung der Helligkeit innerhalb des Tumors und die komplexe Textur seiner Oberfläche. Das Team kombinierte diese Bildmesswerte anschließend mit grundlegenden Patienteninformationen wie Alter und Geschlecht, um einen Satz mathematischer Modelle zu erstellen.

Um zu testen, ob diese Modelle funktionierten, teilten die Forscher ihre Patientengruppe in zwei Gruppen auf. Sie nutzten die größere Gruppe, um den Computer zu lehren, Muster zu erkennen, und bewahrten die kleinere Gruppe als abschließende Prüfung auf. Der Computer lernte, nach spezifischen Kombinationen der 105 Messwerte zu suchen, die mit dem Ergebnis verknüpft waren. Die erste Aufgabe bestand darin zu sehen, ob das Modell den Unterschied zwischen Stadium II und Stadium III des Darmkrebses erkennen konnte. Diese Unterscheidung ist entscheidend, da Patienten im Stadium III in der Regel nach der Operation eine Chemotherapie erhalten, während Patienten im Stadium II dies oft nicht tun, obwohl einige Stadium-II-Patienten dennoch einen Rückfall erleiden. Das Modell lernte, diese Stadien allein basierend auf den präoperativen Bildern zu identifizieren. Im abschließenden Test konnte das Modell die beiden Stadien etwa 76 Prozent der Zeit korrekt unterscheiden. Es war besonders gut darin, Fälle im Stadium II zu erkennen, die es in fast 89 Prozent der Fälle korrekt identifizierte.

Die zweite, und vielleicht bedeutendere Aufgabe, war die Vorhersage, ob ein Patient innerhalb von fünf Jahren einen Rückfall erleben würde. Dies ist eine viel schwierigere Vorhersage, da sie beinhaltet, das zukünftige Verhalten der Krankheit zu erraten. Die Forscher testeten verschiedene Methoden des maschinellen Lernens, um das beste Verfahren zu finden. Sie fanden heraus, dass ein spezifischer Typ von Modell, das nach Beziehungen zwischen vielen verschiedenen Variablen gleichzeitig suchte, am besten abschnitt. Dieses Modell erreichte eine hohe Genauigkeit und sagte das Rückfallrisiko in 91 Prozent der Fälle in der Testgruppe korrekt voraus. Es war besonders sensitiv, was bedeutet, dass es einen Patienten, der letztlich einen Rückfall erleiden würde, selten übersah und 95 Prozent dieser Fälle entdeckte. Die Studie untersuchte auch Patienten innerhalb jedes Stadiums separat. Selbst wenn sie nur Stadium-II-Patienten oder nur Stadium-III-Patienten betrachteten, behielt das Modell eine starke Vorhersagekraft bei, was darauf hindeutet, dass die Textur des Tumors im Scan Informationen über das Risiko trägt, unabhängig vom offiziellen Stadium.

Die Ergebnisse legen nahe, dass die visuelle Textur eines Tumors in einem CT-Scan Hinweise auf sein biologisches Verhalten enthält, die aktuelle Staging-Methoden übersehen. Die Forscher beobachteten, dass Tumore mit gleichmäßigeren, homogenen Mustern im Scan eher zu Patienten gehörten, die keinen Rückfall erlitten, während jene mit chaotischeren, heterogenen Texturen mit einem höheren Risiko für einen Rückfall der Krankheit verknüpft waren. Dies deckt sich mit der Vorstellung, dass eine unordentliche, unregelmäßige Textur im Bild eine aggressivere und desorganisiertere Tumorbiologie widerspiegeln könnte. Die Studie bewies nicht, dass diese Muster die Art und Weise verursachen, wie der Krebs sich verhält, aber sie zeigte eine starke Verbindung zwischen den Bilddaten und dem Ergebnis des Patienten auf. Das Team merkte an, dass ihre Arbeit dadurch begrenzt war, dass sie in einem einzelnen Krankenhaus mit einer relativ kleinen Anzahl von Patienten durchgeführt wurde und die Computermodelle mit Daten aus derselben Institution trainiert und getestet wurden. Sie räumten ein, dass diese Modelle an größeren Gruppen von Menschen in verschiedenen Krankenhäusern getestet werden müssen, um zu bestätigen, dass sie in der realen Welt funktionieren.

Diese Forschung bietet einen potenziellen neuen Weg, um Darmkrebs vor Beginn der Behandlung zu betrachten. Anstatt darauf zu warten, dass die Operation die volle Natur des Tumors offenbart, könnten Ärzte eines Tages diese bildbasierten Werkzeuge nutzen, um ein klareres Bild des Risikos zu erhalten, dem ein Patient gegenübersteht. Wenn diese Modelle in zukünftigen Studien validiert werden, könnten sie Ärzten helfen zu entscheiden, wer eine Chemotherapie benötigt und wer ohne sie sicher sein kann, wodurch unnötige Behandlungen für einige reduziert und gleichzeitig sichergestellt wird, dass andere die Pflege erhalten, die sie benötigen. Die Arbeit ersetzt das aktuelle Staging-System nicht, legt aber nahe, dass es durch das Hinzufügen dieser quantitativen Details aus den Scans verbessert werden könnte. Für den Moment bleiben die Ergebnisse ein vielversprechender Schritt hin zu einem persönlicheren Ansatz bei der Behandlung von Darmkrebs, indem ein routinemäßiges präoperatives Bild in eine Quelle tiefer, prädiktiver Erkenntnis verwandelt wird.