Radiomics und Patientenstratifizierung: Krankheitssubtypen 

Unter Patientenstratifizierung versteht man den Prozess der Gruppierung von Patienten in Unterkategorien auf der Grundlage gemeinsamer Merkmale wie Biomarker, genetische Merkmale oder Krankheitsverlauf. Dieser Ansatz ermöglicht es Klinikern, Behandlungen zu personalisieren, Ergebnisse zu verbessern und die Ressourcenzuweisung im Gesundheitswesen zu optimieren. 

Radiomics spielt eine entscheidende Rolle bei der Weiterentwicklung der Patientenstratifizierung, indem es wertvolle Informationen aus medizinischen Bildern extrahiert und diese in umsetzbare Erkenntnisse für Diagnose, Prognose und Behandlungsplanung umwandelt. 

Was ist Radiomics? 

Radiomics bezeichnet die Gewinnung von Daten aus medizinischen Bildern, und die anschließende Anwendung dieser Daten zur Verbesserung der Krebsdiagnose, Prognose und klinischen Entscheidungsunterstützung mit dem Ziel, hochpräzise Medizin bereitzustellen. Als quantitativer Ansatz für die medizinische Bildgebung zielen Radiomics-Techniken darauf ab, vorhandene Daten zu verbessern, auf die Kliniker durch fortgeschrittene und nicht-intuitive mathematische Analysen zugreifen können.

Radiomics in der klinischen Praxis

Im Bereich der Krebsdiagnose, einschließlich der Prognosebewertung und der Bewertung des Behandlungserfolgs, Die Anwendung von Radiomics basiert im Wesentlichen auf der Annahme, dass medizinische Bilder Informationen über krankheitsspezifische Prozesse enthalten, die bei herkömmlicher visueller Betrachtung der Bilder nicht zugänglich sind. Durch mathematische Extraktion der räumlichen Signalintensitätsverteilung zusammen mit den Pixelbeziehungen werden Texturinformationen durch Radiomics-Merkmale unter Einsatz künstlicher Intelligenzmethoden quantifiziert.

Radiomics verändert traditionelle Diagnosetechniken, indem es verborgene Muster und biologische Informationen aufdeckt, die Initiativen zur Präzisionsmedizin unterstützen, einschließlich Biomarker zur Patientenstratifizierung.

Der Workflow der Radiomics und ihre Anwendung bei der Patientenstratifizierung 

Die Prämisse der Radiomics besteht darin, dass Bilddaten wichtige Informationen zur Physiologie, Biologie, räumlichen Heterogenität (Lebensräume) und zum Verhalten von Tumoren vermitteln, die bei der herkömmlichen klinischen und radiologischen Interpretation möglicherweise nicht offensichtlich sind. Der Workflow der Radiomics umfasst die Kuratierung von Bild- und klinischen Daten in einem schrittweisen Prozess, der auf der Vorverarbeitung von Bildern, der Segmentierung von Tumoren, der Extraktion von Merkmalen, der Entwicklung von Modellen und der Validierung basiert:

1. Vorverarbeitung von Bildern 
2. Tumorsegmentierung
3. Feature-Extraktion 
4. Modellentwicklung 
5. Validierung

Radiomics erfordert daher den Input von Fachleuten aus verschiedenen Bereichen des Gesundheitswesens, darunter Bildgebungsspezialisten, Radiologen sowie Datenwissenschaftler. Die Ableitung von Merkmalen erfolgt zu mehreren oder einzelnen Zeitpunkten und ist auf das gesamte Bilddatenspektrum anwendbar.

Radiomische Merkmale werden in fünf Gruppen kategorisiert, darunter form- und größenbasierte Merkmale, Bildintensitätshistogrammdeskriptoren, räumliche Variation von Pixel-/Voxelintensitätsdeskriptoren, fraktale Merkmale und Texturen, die aus den gefilterten Bildern gezogen werden. Die aus Radiomics-Merkmalen gewonnenen Informationen können mit klinischen Daten kombiniert werden, um wirksame Vorhersagemodelle für die Auswahl der Behandlung und die prognostische Bewertung klinischer Ergebnisse zu entwickeln.

Radiomics-Funktionen

Patientenstratifizierung in der Onkologie

In der Onkologie werden Radiomics-Funktionen verwendet, um Aufgaben zu kategorisieren und klinische Ergebnisse anhand einer Ereigniszeitanalyse vorherzusagen. Die Klassifizierungsanwendung beinhaltet die Einteilung der untersuchten Gruppen in verschiedene Kategorien. Bei Krebsprozessen umfassen wichtige Klassifizierungsbeispiele bösartig versus gutartig, Tumorstadien, Vorhandensein von Metastasen und genetischen Status.

Darüber hinaus werden klinische Ergebnisse bei der Einteilung von Krebspatienten in unterschiedliche Gruppen herangezogen, und zwar auf der Grundlage von Aspekten des Risikos klinischer Endpunkte, einschließlich krankheitsfreiem und Gesamtüberleben, unter Verwendung der Ereigniszeitanalyse. Regressionsmodelle und Klassifikationen werden häufig bei der Modellierung molekularer Marker, genomischer Signaturen, Überlebensprognosen, diagnostischer Gewebedifferenzierung und Behandlungsreaktion angewendet.

Fortschritte in der Radiomics 

Die Zunahme öffentlich zugänglicher Patientendaten und Open-Source-Algorithmen der künstlichen Intelligenz hat zur Entwicklung neuer multivariater prognostischer und diagnostischer Bildgebungs-Biomarker geführt. Diese Biomarker können auch klinische Variablen und andere multiomische Merkmale in die Ergebnisvorhersage, Risikostratifizierung und Planung einer präzisen Krebsbehandlung einbeziehen.

Durch die Integration der Radiomics in die Patientenstratifizierung können Klinikärzte ihren Ansatz zur personalisierten Medizin verfeinern und Behandlungspläne auf der Grundlage patientenspezifischer Daten optimieren.

Wie Radiomics-Unternehmen wie Quibim die Patientenstratifizierung verändern

Quibim, ein führendes Radiomics-Unternehmen, ist Vorreiter bei der Entwicklung KI-gestützter Tools zur Extraktion bildgebender Biomarker und deren Integration in Arbeitsabläufe der Präzisionsmedizin. So zeigen beispielsweise Quibims Beiträge zum PRIMAGE-Projekt, wie Bilddaten und klinische Daten kombiniert werden können, um die Patientenstratifizierung in der Onkologie zu verbessern.

Durch die Konzentration auf digitale Biomarker und bildgebende Begleitdiagnostik hilft Quibim Klinikern, die Tumorheterogenität besser zu verstehen und gezielte Therapien zur Verbesserung der Patientenergebnisse zu entwickeln.

Radiomics und klinische Biomarker zur Patientenstratifizierung

Klinische Biomarker und Begleitdiagnostik (CDx) ermöglichen die Ermittlung unterschiedlicher Patientenphänotypen und damit die Patientenstratifizierung. Bislang konzentrierte sich die Entwicklung neuer Biomarker und CDx hauptsächlich auf Techniken zur Analyse echter biologischer Proben, wie In-situ-Hybridisierung, Immunhistochemie oder Next-Generation-Sequenzierung. Tatsächlich gibt es nur eine von der FDA zugelassene Begleitdiagnostik in der Bildgebung, die sich auf die Quantifizierung der Eisenkonzentration in der Leber bezieht.

Radiomische Ansätze zur Patientenstratifizierung sind die nächste Stufe für die Erstellung digitaler Biomarker und bildgebender CDx. Die aus der Bildgebung extrahierten Eigenschaften von Geweben und Läsionen spiegeln deren architektonische Heterogenität, Unregelmäßigkeit und Zellhabitate wider, die nach vorhandenen Beweisen Faktoren sind, die mit klinischen Endpunkten wie Rückfall, Fortschreiten und Überleben in Zusammenhang stehen.

Diese Entwicklungen im Bereich der Bildgebung werden auch dazu beitragen, neue klinische Studien besser zu gestalten und gezielte Therapien zu entwickeln, die die Eingriffe für den einzelnen Patienten optimieren und so den Behandlungserfolg bei Krebs erhöhen. Die auf Radiomics basierende Patientenstratifizierung beschleunigt die Umsetzung klinischer und biomedizinischer Forschungsergebnisse für eine bessere Versorgung.

Quibim Dataminer wurde für das PRIMAGE-Projekt angepasst, um sowohl die Bilddaten als auch die klinischen Daten der Patienten anzuzeigen.

Quibim Dataminer wurde für das PRIMAGE-Projekt angepasst, um sowohl die Bilddaten als auch die klinischen Daten der Patienten anzuzeigen.