Habitat Radiomics-Based Stacking Ensemble Model for Predicting Disease-Free Survival in Early-Stage Cervical Cancer

Jedes Jahr werden tausende Frauen erfolgreich gegen Gebärmutterhalskrebs im Frühstadium behandelt. Chirurgen entfernen den Tumor und das umliegende Gewebe, und für viele kehrt die Krankheit nie zurück. Doch bei etwa einem Drittel dieser Frauen kommt der Krebs innerhalb von fünf Jahren zurück, oft breitet er sich auf andere Teile des Körpers aus. Dieses Wiederauftreten ist das zentrale Problem, mit dem Ärzte heute konfrontiert sind. Die Standardwerkzeuge zur Vorhersage, wer gefährdet ist, stützen sich auf das, was unter einem Mikroskop nach der Operation sichtbar ist, wie etwa die Größe des Tumors oder ob Krebszellen die Lymphknoten erreicht haben. Diese Werkzeuge sind hilfreich, aber sie sind nicht perfekt. Sie übersehen oft die subtilen biologischen Unterschiede zwischen Tumoren, die oberflächlich betrachtet identisch aussehen, was Ärzte in die Lage versetzt, unsicher zu sein, ob eine Patientin eine zusätzliche Behandlung benötigt oder mit weniger Intensität beobachtet werden kann.

Um dies zu lösen, wenden Forscher eine Technik namens Radiomics an, bei der medizinische Bilder als riesige Datenquellen statt nur als Bilder behandelt werden. Wenn eine Patientin vor der Operation eine Magnetresonanztomographie (MRT) durchläuft, erfasst das Gerät tausende winziger Details über die Textur und Struktur des Tumors, die das menschliche Auge nicht sehen kann. Ein neuerer Ansatz namens Habitat-Imaging geht noch einen Schritt weiter. Anstatt den Tumor als eine einzige, einheitliche Masse zu betrachten, unterteilt das Habitat-Imaging ihn in kleinere Teilregionen oder „Habitate“, die jeweils einen eigenen, einzigartigen biologischen Charakter besitzen. Einige Bereiche könnten dicht mit Zellen gepackt sein, während andere mit Flüssigkeit oder totem Gewebe gefüllt sind. Durch die Analyse dieser unterschiedlichen Zonen, zusammen mit dem unmittelbar um den Tumor liegenden Gewebe, hoffen Wissenschaftler, die verborgenen Muster zu entschlülüsseln, die ein Wiederauftreten des Krebses vorantreiben.

Ein Forschungsteam von Krankenhäusern in Ningxia, China, setzte sich zum Ziel, einen neuen Weg zu entwickeln, um vorherzusagen, welche Patientinnen mit Gebärmutterhalskrebs im Frühstadium am wahrscheinlichsten einen Rückfall erleiden werden. Sie konzentrierten sich auf 5383 Frauen, die sich einer kurativen Operation unterzogen hatten. Das Team teilte diese Patientinnen in drei Gruppen auf, um sicherzustellen, dass ihre Ergebnisse robust sind: eine große Gruppe, um ein neues Computermodell zu trainieren, eine zweite Gruppe, um es intern zu testen, und eine dritte Gruppe von Patientinnen, die vor kurzem gescannt wurden, um zu sehen, ob das Modell bei neuen, ungesehenen Daten funktioniert. Die Forscher begannen mit der Analyse der präoperativen MRT-Scans dieser Frauen. Sie betrachteten den Tumor nicht nur als Ganzes; sie kartierten die verschiedenen Habitate innerhalb des Tumors sowie das Gewebe unmittelbar außerhalb des Tumors. Anschließend verwendeten sie eine hochentwickelte Computermethode namens Stacking-Ensemble-Modell. Dieser Ansatz ist vergleichbar mit einem Gremium aus fünf verschiedenen Experten, von denen jeder eine andere mathematische Strategie zur Analyse der Daten anwendet. Ein Experte könnte nach einfachen Mustern suchen, während ein anderer komplexe Wechselwirkungen zwischen verschiedenen Teilen des Bildes untersucht. Anstatt sich für den einen besten Experten zu entscheiden, erschufen die Forscher einen „Meta-Lerner“ – einen finalen Entscheidungsträger, der allen fünf Experten zuhört und deren Meinungen zu einem einzigen endgültigen Risikoscore kombiniert.

Die Ergebnisse dieser Studie waren beeindruckend. Das neue Modell, das die Erkenntnisse aller fünf Experten kombinierte, erwies sich als weita viel genauer bei der Vorhersage des krankheitsfreien Überlebens als jeder der einzelnen Experten allein. In der Gruppe der Patientinnen, die für den Test verwendet wurden, identifizierte das Modell das Risiko eines Rückfalls etwa 87 Prozent der Zeit korrekt, was eine signifikante Verbesserung gegenüber der derzeit üblichen Genauigkeit von 60 bis 70 Prozent mit Standardwerkzeugen darstellt. Das Modell war besonders gut darin, zwischen Patientinnen, die krebsfrei bleiben würden, und solchen, die es nicht würden, zu unterscheiden. Als die Forscher die Patientinnen basierend auf dem Score des Modells in Hochrisiko- und Niedrigrisikogruppen aufteilten, war der Unterschied in den Ergebnissen deutlich und unmittelbar. In der Hochrisikogruppe traten Rückfälle viel häufiger auf als in der Niedrigrisikogruppe, eine Trennung, die in allen drei Patientengruppen, einschließlich der neuen, externen Gruppe, Bestand hatte.

Eine der überraschendsten Entdeckungen war die Leistungsfähigkeit einer spezifischen Art von Daten, die das Modell verwendete. Die Forscher hatten zuvor eine Methode entwickelt, um vorherzusagen, ob der Krebs vor der Operation in die Lymphknoten gestreut hat. Sie fanden heraus, dass der Wahrscheinlichkeitswert aus dieser früheren Methode, der die Wahrscheinlichkeit einer Lymphknotenbeteiligung abschätzt, auch wertvolle Informationen über zukünftige Rückfälle lieferte. Selbst bei Patientinnen, die nach der Operation keine Krebszellen in ihren Lymphknoten hatten, signalisierte ein hoher Wahrscheinlichkeitswert aus dem präoperativen Scan ein höheres Risiko für ein späteres Wiederauftreten der Krankheit. Als die Forscher diesen Wahrscheinlichkeitswert zu ihrem neuen Überlebensmodell hinzufügten, verbesserte sich die Genauigkeit weiter auf fast 91 Prozent in der Trainingsgruppe. Dies deutet darauf darauf hin, dass derselbe präoperative Scan, der zur Planung der Operation dient, auch Entscheidungen darüber leiten kann, wie es nach der Operation weitergeht.

Die Studie zeigte auch, dass der wichtigste Faktor für die Vorhersagen nicht die Größe des Tumors oder dessen Lage war, sondern die interne Diversität des Tumors selbst. Das Modell legte das höchste Gewicht auf ein Maß dafür, wie vielfältig die verschiedenen Habitate innerhalb des Tumors waren. Tumoren, die eine breite Mischung aus verschiedenen Texturen und Strukturen aufwiesen, neigten viel eher zu einem Rückfall als solche, die gleichförmig erschienen. Dieser Befund stützt die Vorstellung, dass die Fähigkeit eines Tumors, sich anzupassen und zu überleben, mit seiner internen Komplexität verknüpft ist. Die Forscher stellten zudem fest, dass die Vorhersagen des Modells im ersten Jahr nach der Operation am stärksten waren, was darauf hindeutet, dass es besonders gut darin ist, Patientinnen zu identifizieren, die wahrscheinlich einen frühen Rückfall erleiden werden.

Diese Arbeit beansprucht nicht, das Problem des Rückfalls von Gebärmutterhalskrebs gelöst zu haben, aber sie bietet ein leistungsfähiges neues Werkzeug für Ärzte. Das Modell nutzt routinemäßige MRT-Scans, die bereits Standardpraxis sind, was bedeutet, dass es keine neue Ausrüstung oder invasive Eingriffe erfordert. Indem es ein genaueres Bild des Risikos einer Patientin liefert, könnte das Modell Ärzten helfen, bessere Entscheidungen darüber zu treffen, wer eine aggressive Nachsorge benötigt und wer mit weniger Intensität beobachtet werden kann. Für die Patientinnen, die in die Hochrisikokategorie fallen, könnte dies eine frühere Erkennung eines Rückfalls der Krankheit und eine bessere Chance auf eine erfolgreiche Behandlung bedeuten. Für diejenigen in der Niedrigrisikokategorie könnte es sie vor unnötiger Angst und medizinischen Eingriffen bewahren. Die Studie kommt zu dem Schluss, dass Ärzte durch einen tieferen Blick in die Bilder des Tumors die Zukunft der Krankheit mit größerer Klarheit sehen können und so einen routinemäßigen Scan in einen Leitfaden für personalisierte Versorgung verwandeln.