The prognostic value of body composition analysis out of PSMA-PET/CT in prostate cancer patients undergoing PSMA-therapy

Ziel/Aim: Ziel ist die Implementierung eines auf Deep Learning basierenden Ansatzes zur Ganzkörper-CT-Segmentierung aus dem Standard-[68Ga]PSMA-11-PET-CT, um die body composition bei Patienten mit metastasiertem kastrationsresistentem Prostatakrebs (mCRPC) vor einer [177Lu]PSMA-Radioligandentherapie (RLT) zu untersuchen. Zusätzliche Metriken der body composition aus der CT-Komponente der Standard-PSMA-PET sollen als potenzielle neue prädiktive und prognostische Werte evaluiert werden.

Methodik/Methods: Es wurde ein frei verfügbares Deep-Learning-basiertes Segmentierungsmodell zur vollautomatischen Segmentierung verschiedener Gewebekompartimente aus [68Ga]PSMA-PET-CT-Untersuchungen von 86 mCRPC Patienten vor RLT genutzt. Erhoben wurden folgende Parameter: viszerales- (VAT), subkutanes (SAT), intra-/intermuskuläres Fettgewebe (IMAT) und Skelettmuskulatur, jeweils in einem 3D-CT-Volumen des Abdomens und auf Höhe L3. Die Anteile der verschiedenen Fettgewebekompartimente am Gesamtfettgewebe (TAT), sowie die Skelettmuskulatur wurden auf einen prognostischen Wert (Gesamtüberleben) hin untersucht.

Ergebnisse/Results: Das automatische Segmentierungsmodell ermöglichte die Abgrenzung verschiedener Fettgewebskompartimente und der Skelettmuskulatur bei unterschiedlichen Patientenanatomien. Es zeigten sich signifikante Korrelationen zwischen niedrigeren SAT und höherem IMAT und schlechterem Gesamtüberleben (SAT/TAT: p=0,042; IMAT/TAT: p<0,001) im 3D-Modell. Auf der L3-Ebene war nur IMAT/TAT signifikant mit dem Überleben assoziiert (p=0,036; SAT/TAT:p>0,05). Das Verhältnis von VAT/TAT und Muskelgewebe hatten keinen signifikanten Einfluss auf das Überleben

Schlussfolgerungen/Conclusions: In dieser Proof-of-Principle-Studie liefert die Implementierung einer Deep-Learning-basierten Ganzkörperanalyse eine robuste und detaillierte CT-basierte Bewertung der body composition bei mCRPC-Patienten. Potenzielle prognostische Parameter müssen in größeren prospektiven Datensätzen bestätigt und mit PSMA-PET-Parametern verglichen werden.

 

MissingLinkText

Publication History

Article published online:
12 March 2025