Analyzing the Prognostic Value of Radiomic Variables from PET-CT with [18F]FDG in a Retrospective Cohort of Patients with Adrenocortical Carcinoma
Diese retrospektive Proof-of-Concept-Studie zeigt, dass radiomische Merkmale, die aus [18F]FDG-PET/CT abgeleitet wurden, insbesondere wenn sie in Machine-Learning-Modelle integriert werden, ein potenzielles prognostisches Potenzial für die Vorhersage des 5-Jahres-Überlebens bei Patienten mit Nebennierenrindenkarzinom aufweisen und dabei CT-basierte Modelle übertreffen, ungeachtet der Notwendigkeit größerer Validierungsstudien.
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 seltenen und gefährlichen Welt des Nebennierenrindenkarzinoms, einem Krebs, der aus der äußeren Schicht der Nebennieren entsteht, stehen Ärzte in einem ständigen Kampf darum, vorherzusagen, wie die Erkrankung eines Patienten verlaufen wird. Diese Malignität ist aggressiv und schwierig zu behandeln und erfordert oft eine Kombination aus Operation und medikamentöser Therapie. Um über das beste Vorgehen zu entscheiden, verlassen sich Mediziner derzeit auf die Untersuchung von Gewebeproben unter dem Mikroskop und die Messung spezifischer biologischer Marker, wie etwa der Geschwindigkeit, mit der sich die Zellen teilen. Diese Methoden erzählen jedoch nur einen Teil der Geschichte. In den letzten Jahren hat sich ein Feld namens Radiomics entwickelt, das eine neue Möglichkeit bietet, medizinische Bilder zu betrachten. Anstatt einen Scan nur mit bloßem Auge zu untersuchen, um zu sehen, ob ein Tumor groß oder klein ist, nutzt Radiomics Computer, um hunderte winziger, verborgener Muster aus dem Bild selbst zu extrahieren. Diese Muster beschreiben die Textur und Struktur des Tumors auf eine Weise, die für das menschliche Auge unsichtbar ist, und könnten Hinweise auf die wahre Natur des Krebses und dessen Reaktion auf eine Behandlung liefern.
Ein Forscherteam in Brasilien setzte sich kürzlich das Ziel zu prüfen, ob diese Technologie helfen könnte, die Zukunft von Patienten mit dieser spezifischen Krebsart vorherzusagen. Sie konzentrierten sich auf eine Art von medizineller Untersuchung namens PET-CT, die ein standardmäßiges Röntgen-Computertomographie-Bild mit einer Positronen-Emissions-Tomographie kombiniert. Bei diesem Verfahren erhält der Patient ein kleines Maß an einem radioaktiven Zuckermolekül, das der Körper zur Energiegewinnung nutzt. Da Krebszellen hungrig sind und schnell wachsen, nehmen sie wesentlich mehr von diesem Zucker auf als gesundes Gewebe. Der Scanner erstellt dann eine Karte, die genau zeigt, wo dieser Zucker verbraucht wird. Die Forscher sammelten Daten von zweiundzwanzig Patienten, bei denen ein Nebennierenrindenkarzinom diagnostiziert worden war und die vor Beginn einer Behandlung diesen Scan erhalten hatten. Ihr Ziel war es zu sehen, ob die detaillierten Muster, die in diesen Karten des Zuckerstoffwechsels gefunden wurden, ihnen mehr über die Überlebenschancen der Patienten verraten könnten als die heute üblichen Standardmethoden.
Das Team begann damit, die Tumore auf den Scans sorgfältig zu umreißen, einen Prozess, den sie zweimal durchführten, um sicherzustellen, dass ihre Messungen konsistent waren. Sie stellten fest, dass verschiedene Beobachter in mehr als sechsundachtzig Prozent der Fälle hinsichtlich der Form und Größe der Tumore übereinstimmten, ein Grad der Übereinstimmung, der ihnen Vertrauen in ihre Daten gab. Dann fütterten sie den Computer mit einer massiven Liste von Merkmalen, die aus den Bildern abgeleitet wurden, einschließlich der Helligkeit des Tumors, der Gesamtmenge des verbrauchten Zuckers und der komplexen Textur der Zuckerverteilung. Um diese riesige Menge an Informationen zu bewältigen, verwendeten sie eine mathematische Technik, um die Daten auf ihre wichtigsten Bestandteile zu reduzieren, ganz ähnlich wie man ein langes Buch in seine wichtigsten Kapitel zusammenfasst. Anschließend trainierten sie Computerprogramme, um anhand dieser Merkmale vorherzusagen, ob ein Patient fünf Jahre lang überleben würde.
Die Ergebnisse zeigten, dass die aus den PET-Scan-Daten aufgebauten Computermodelle recht gut darin waren, diese Vorhersagen zu treffen. Das erfolgreichste Modell, das einen spezifischen Typ von Algorithmus verwendete, sagte die Ergebnisse mit einem hohen Maß an Genauigkeit korrekt voraus. Interessanterweise schnitten die Modelle, die sich nur auf die Informationen des Zuckerstoffwechsels aus dem PET-Scan stützten, besser ab als jene, die nur die standardmäßigen Röntgenbilder betrachteten. Dies deutet darauf darauf hin, dass die biologische Aktivität des Tumors, ersichtlich an seinem Zuckerverbrauch, wertvollere Informationen für die Prognose liefert als die rein physische Form des Tumors allein. Die Forscher suchten auch nach Verbindungen zwischen diesen Bildmustern und bekannten biologischen Markern. Sie fanden heraus, dass die Standardmessungen nicht stark mit der Geschwindigkeit der Zellteilung verknüpft waren, es gab jedoch einen Hinweis darauf, dass Tumore mit einem höheren Gesamtzuckerverbrauch mit einer spezifischen genetischen Veränderung, der sogenannten p53-Mutation, assoziiert sein könnten, obwohl diese Verbindung in dieser kleinen Gruppe nicht stark genug war, um als definitiver Beweis zu gelten.
Trotz dieser vielversprechenden Ergebnisse betonen die Forscher vorsichtig, dass ihre Studie eher eine erste Untersuchung als eine endgültige Antwort ist. Die Gruppe von zweiundzwanzig Patienten war recht klein, was die Sicherheit über die Ergebnisse einschränkt. Sie räumen ein, dass ihre Computermodelle möglicherweise zu sehr auf diese spezifische Gruppe von Menschen zugeschnitten sind und sich bei einer größeren, vielfältigeren Patientengruppe anders verhalten könnten. Die Studie dient als Proof of Concept, der zeigt, dass die verborgenen Details innerhalb eines PET-Scans das Potenzial haben, leistungsstarke Werkzeuge zum Verständnis dieses seltenen Krebses zu werden. Die Autoren kommen zu dem Schluss, dass die Technologie zwar großes Potenzial zeigt, der nächste Schritt jedoch darin bestehen muss, diese Ideen in wesentlich größeren Studien mit viel mehr Patienten über verschiedene Krankenhäuser hinweg zu testen, um zu bestätigen, dass diese Muster wirklich zuverlässige Wegweiser für die Zukunft sind.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.