Rofo 2019; 191(S 01): S9
DOI: 10.1055/s-0037-1682025
Vortrag (Wissenschaft)
Experimentelle Radiologie
Georg Thieme Verlag KG Stuttgart · New York

Diskordanz und Konversion der Rezeptorexpression von Hirnmetastasen des Mammakarzinoms: Nicht-invasive Radiomics-basierte Rezeptorstatusprädiktion

H Kniep
1   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Neuroradiologische Diagnostik und Intervention, Hamburg
,
F Madesta
2   Universitätsklinikum Hamburg-Eppendorf, Institut für Computational Neuroscience, Hamburg
,
T Schneider
1   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Neuroradiologische Diagnostik und Intervention, Hamburg
,
M Bechstein
1   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Neuroradiologische Diagnostik und Intervention, Hamburg
,
J Fiehler
1   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Neuroradiologische Diagnostik und Intervention, Hamburg
,
T Gauer
3   Universitätsklinikum Hamburg-Eppendorf, Klinik für Strahlentherapie und Radioonkologie, Hamburg
,
R Werner
2   Universitätsklinikum Hamburg-Eppendorf, Institut für Computational Neuroscience, Hamburg
,
S Gellissen
1   Universitätsklinikum Hamburg-Eppendorf, Klinik und Poliklinik für Neuroradiologische Diagnostik und Intervention, Hamburg
› Author Affiliations
Further Information

Publication History

Publication Date:
27 March 2019 (online)

Also available at
 

Zielsetzung:

Diskordanz und Konversion der Rezeptorexpression von Hirnmetastasen des Mammakarzinoms wird bei bis zu 31% der Patienten beobachtet. Eine personalisierte Therapie mit zielgerichteter Medikation erfordert daher eine kontinuierliche Überwachung der Rezeptorexpression und eine dynamische Anpassung der angewandten Behandlungsansätze. Nicht-invasive radiologische in-vivo-Techniken können ein Monitoring des Rezeptorstatus mit hohen Abtastraten, geringem Risiko und niedrigen Kosten ermöglichen. Die vorliegende Studie untersucht das Potenzial der Vorhersage des Rezeptorstatus von Hirnmetastasen unter Verwendung von Radiomics-Bildmarkern aus standard-of-care cMRT Bildern in einem Machine Learning-basierten Ansatz.

Material und Methoden:

Die Analyse umfasst 143 Hirnmetastasen von 37 Patienten mit Brustkrebs, davon 20 PR+/ER+, 22 HER2+, 62 PR+/ER+/HER2+ und 39 tripple negative. 1423 quantitative Marker von T1 kontrastverstärkten, T1 nativen und FLAIR cMRT-Bildern sowie klinische Basisdaten (Alter, Geschlecht) wurden unter Verwendung von Radom Forest Machine Learning Algorithmen mit 5-facher modell-externer Kreuzvalidierung ausgewertet.

Ergebnisse:

ROC AUCs der Validierungssets waren 0,76 für PR+/ER+ und 0,75 für HER2+, alle P-Werte < 0,001. Sensitivitäten und Spezifitäten erreichten 70% für beide Rezeptorexpressionen. Die Analyse der wichtigsten Marker zeigte, dass HER2+ Metastasen auf Basis von Textureigenschaften (54% der genutzten Marker) differenziert werden konnten, während PR+/ER+ Metastasen sich vor allem in ihren Histogramm-Metriken (75% der genutzten Marker) unterschieden.

Schlussfolgerungen:

Quantitative Merkmale von standard-of-care cMRT-Bildern können für eine nicht-invasive Vorhersage des Rezeptorstatus von Hirnmetastasen des Mammakarzinoms genutzt werden. Der untersuchte Machine Learning-basierte Ansatz könnte ein Monitoring der Rezeptorexpression mit hohen Abtastraten ermöglichen und agile Behandlungsoptimierungen für effektivere Therapien unterstützen.