Entwicklung eines CT-basierten Radiomics-Modells zur Vorhersage des XNUMX-Jahres-progressionsfreien Überlebens bei lokal fortgeschrittenem Plattenepithelkarzinom im Kopf- und Halsbereich, das mit definitiver Radiochemotherapie behandelt wurde

Bildgebende Biomarker aus Basis-CT-Scans zur Risikostratifizierung des Fortschreitens bei LAHNSCC.
Anwendung Onkologie

Die Herausforderung

Die definitive Radiochemotherapie ist derzeit die Standardbehandlung für lokal fortgeschrittenes Plattenepithelkarzinom im Kopf- und Halsbereich (LAHNSCC). Die Reaktionen der Patienten auf die Behandlung variieren jedoch, wobei bei einigen innerhalb von fünf Jahren nach der Diagnose eine Progression auftritt. Daher besteht dringender Bedarf, das Risiko einer Progression bei der Diagnose besser zu stratifizieren. Unterstützung Kliniker bei der fundierten Entscheidungsfindung in der Behandlung. Ziel ist die Verwendung von Bildgebungs-Biomarkern, die aus Basis-CT-Scans extrahiert werden, um Patienten in Kategorien mit hohem oder niedrigem Progressionsrisiko einzuteilen. .

Die Lösung

In einer monozentrischen, retrospektiven Studie wurden Basis-CT-Scans und klinische Daten von 171 LAHNSCC-Patienten gesammelt, die mit einer definitiven Radiochemotherapie behandelt wurden. Die Tumorsegmentierung wurde manuell von Technikern von Quibim anhand der Plattform Precision® von Quibim unter Aufsicht eines Radiologen durchgeführt. Bildgebungs-Biomarker wurden aus jeder Läsion extrahiert und die Daten einer Merkmalsreduktion unterzogen. Nach einer 5-fachen Kreuzvalidierung haben wir mehrere Modelle auf ihre Vorhersagefähigkeit für den 5-Jahres-Verlauf zum Zeitpunkt der Diagnose getestet.

 

Screenshot 2024-12-20 um 13.25.34
Abbildung 1. Radiomics-Workflow.

Das Ergebnis

Ein XGBoost-Modell, das 12 radiomische Merkmale und vier klinische Variablen (primärer Tumorort [Mundhöhle], TNM, Alter und Rauchen) umfasst, erwies sich als das Modell mit der höchsten Vorhersagekraft für den 5-Jahres-Verlauf. Dieses Modell ergab eine AUC von 0.74, eine Sensitivität von 0.53, eine Spezifität von 0.81 und eine Genauigkeit von 0.66. Unsere Bemühungen konzentrieren sich nun darauf, die Stichprobengröße zu erhöhen, um dieses Modell zu validieren und die Ergebnisse des progressionsfreien Überlebens zu bewerten, um Klinikern einen Risikowert für eine präzisere Patientenkategorisierung auf der Grundlage diagnostischer CT-Scans bereitzustellen.

Screenshot 2024-12-20 um 13.28.03
Tabelle 1. Leistungsmetriken, die bei der 5-Jahres-Progressionsvorhersage unter Verwendung von TNM8-Staging (C1), TNM8 und klinisch signifikanten Variablen (C2) sowie klinischen und radiomischen Merkmalen (R+C) als Eingabe für das Modell über Trainings-, Validierungs- und Test-Teilmengen von Daten erhalten wurden. Mittelwert- und Standardabweichungswerte über den 5-fachen Kreuzvalidierungsprozess wurden für Trainings- und Validierungswerte berechnet.

 

Darüber hinaus zeigen die Ergebnisse der univariaten Analyse statistisch signifikante Unterschiede zwischen Progressoren und Nicht-Progressoren in 5 radiomischen Variablen. Wie in Abbildung 2 dargestellt, zeigte das Diagramm der Länge der Hauptachse, dass der größte Durchmesser des Primärtumors bei Progressoren länger war, während die Merkmale zweiter Ordnung einen heterogeneren Primärtumor in derselben Gruppe zeigten.

 

Screenshot 2024-12-20 um 13.26.03
Abbildung 2. Boxplot-Verteilungen der Radiomics-Merkmale, die statistisch signifikante Unterschiede zwischen Patienten mit 5-Jahres-Progression und ohne Progression zeigen. Formflachheit (p-Wert 0.028), Formlänge der Hauptachse (p-Wert 0.006), Größenzonenungleichmäßigkeit zweiter Ordnung bei GLSZM (p-Wert 0.020), Betonung kleiner Bereiche zweiter Ordnung bei GLSZM (p-Wert 0.016) und Abhängigkeitsentropie zweiter Ordnung bei GLDM (p-Wert 0.037). Abkürzungen: GLRLM (Graustufen-Lauflängenmatrix), GLSZM (Graustufen-Größenzonenmatrix), GLDM (Graustufen-Abhängigkeitsmatrix).

 

Zusammenfassend lässt sich sagen, dass ein umfassendes Modell für LAHNSCC, das auf CT-Radiomics-Merkmalen basiert und routinemäßige klinische Variablen einschließt, eine bemerkenswerte Genauigkeit bei der Stratifizierung von Risikogruppen zeigt und aktuelle klinische Modelle übertrifft. Zur Bestätigung dieser Ergebnisse ist jedoch eine prospektive externe Validierung erforderlich.

 

Referenz:

Bruixola, G., Dualde-Beltrán, D., Jimenez-Pastor, A., Nogué, A., Bellvís, F., Fuster-Matanzo, A., Alfaro-Cervelló, C., Grimalt, N., Salhab- Ibáñez, N., Escorihuela, V., Iglesias, ME, Maroñas, M., Alberich-Bayarri, Á., Cervantes, A., & Tarazona, N. (im Druck). CT-basiertes klinisches Radiomics-Modell zur Vorhersage des Fortschreitens und zur Förderung der klinischen Anwendbarkeit bei lokal fortgeschrittenem Kopf- und Halskrebs. Europäische Radiologie.

Quibim Website
Datenschutzübersicht

Wenn Sie eine Website besuchen, kann diese Informationen in Ihrem Browser speichern oder abrufen, meist in Form von Cookies. Diese Informationen können sich auf Sie, Ihre Einstellungen oder Ihr Gerät beziehen und werden hauptsächlich verwendet, damit die Website so funktioniert, wie Sie es erwarten. Die Informationen identifizieren Sie nicht direkt, können Ihnen aber ein personalisierteres Web-Erlebnis bieten. Da wir Ihr Recht auf Privatsphäre respektieren, können Sie sich dafür entscheiden, bestimmte Arten von Cookies nicht zuzulassen. Klicken Sie auf die verschiedenen Kategorieüberschriften, um mehr zu erfahren und unsere Standardeinstellungen zu ändern. Das Blockieren einiger Arten von Cookies kann jedoch Ihre Erfahrung auf der Website beeinträchtigen. Weitere Informationen, einschließlich einer detaillierten Cookie-Erklärung, finden Sie auf unserer Cookie-Richtlinie.