Hilfe bei Lungenkrebs-Prognosen durch Deep-Learning-Modelle

Ein Deep-Learning-Modell, das unter Verwendung serieller Bildgebungs-Scans von Tumoren bei Patienten mit nicht kleinzelligem Lungenkrebs (NSCLC) entwickelt wurde, prognostizierte die Behandlungsergebnisse und Überlebensraten besser als klinische Standardparameter.

„Unsere Forschung zeigt, dass Deep-Learning-Modelle, die routinemäßige Bildgebungs-Scans nutzen, die zu verschiedenen Zeitpunkten erstellt wurden, Vorhersagen zum Überleben und krebsspezifischen Outcome bei Lungenkrebs verbessern können”, erklärt Prof. Hugo Aerts, Leiter des Computational and Bioinformatics Laboratory am Dana-Farber Cancer Institute und Brigham and Women’s Hospital. „Im Vergleich dazu konnte ein klinisches Standardmodell, das sich auf Stadium, Geschlecht, Alter, Tumorgrad, Performance, Status des Nikotinkonsums und Tumorgröße stützte, das Zwei-Jahres-Überleben oder das Ansprechen auf die Behandlung nicht zuverlässig vorhersagen.”

Die Standardbeurteilung für die Diagnose und das Ansprechen auf eine Therapie von NSCLC-Patienten hängt in hohem Maße von der Messung des maximalen Tumordurchmessers ab, die anfällig für Interpretationsschwankungen zwischen verschiedenen Untersuchern und dem Zeitverlauf ist. Um festzustellen, ob sie im Laufe der Entwicklung von Krebserkrankungen mehr prädiktive Erkenntnisse gewinnen könnten, entwickelten Aerts und Kollegen Deep-Learning-Modelle und ließen diese an seriellen Computertomographie-Scans von 179 Patienten mit einem NSCLC des Stadiums 3 „trainieren”, die bereits eine Chemoradiotherapie erhalten hatten. Die Scan-Serien enthielten bis zu vier Bilder pro Patient, die routinemäßig vor der Behandlung und einen sowie drei und sechs Monaten nach der Behandlung erstellt worden waren. Insgesamt erhielten die Wissenschaftler 581 Bilder.

Die Forscher analysierten anhand von zwei Datensätzen die Fähigkeit des Modells, signifikante Vorhersagen für das Krebs-Outcome zu treffen: dem Trainingsdatensatz von 581 Bildern und einen unabhängigen Validierungsdatensatz von 178 Bildern, die von 89 NSCLC-Patienten stammte, die eine Chemoradiotherapie erhalten und sich einem chirurgischen Eingriff unterzogen hatten.

Die Leistung des Modells verbesserte sich mit jedem weiteren Follow-up-Scan, wie die Forscher feststellten. Die Fläche unter der Kurve – ein Maß für die Genauigkeit des Modells – für die Vorhersage des Zwei-Jahres-Überlebens, basierend auf den Scans aus der Zeit vor der Behandlung allein betrug 0,58; dieser Wert verbesserte sich nach Hinzufügen aller verfügbaren Follow-up-Scans auf 0,74 deutlich. Patienten, bei denen laut dem Modell das Mortalitätsrisiko als niedrig eingestuft wurde, hatten ein um das Sechsfache verbessertes Gesamtüberleben im Vergleich zu Patienten mit hohem Risiko.

Verglichen mit dem klinischen Modell war das Deep-Learning-Modell bei der Vorhersage von Fernmetastasen, Progression der Erkrankung und lokal-regionalen Rezidiven effizienter, urteilten die Wissenschaftler.