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.
