MACHINE-LEARNING BESSERT ÜBERLEBENS-VORHERSAGE BEI WEICHTEILSARKOMPATIENTEN

PD Dr. Jan Peeken von der Technische Universität München und seine Kollegen haben mit ihrer Forschung einen wichtigen Beitrag geleistet, um für Patienten mit fortgeschrittenen Weichteilsarkomen künftig womöglich bessere Therapieentscheidungen treffen zu können. Die Ergebnisse zu ihrem auf Machine-Learning basierenden Radiomics-Modell für eine bessere Patientenstratifizierung stellt Herr Dr. Peeken heute vor.

Bislang fallen Therapieentscheidungen bei Weichteilsarkomen überwiegend nach Tumorgrading und -größe. Peeken und Kollegen haben auf Basis von MRT-Datensätzen –fettgesättigte T2-gewichtete (T2FS) und kontrastverstärkte T1-gewichtete fettgesättigte Sequenzen – 105 Radiomics-Merkmale ermittelt und diese dann diversen maschinellen Lernverfahren unterzogen. Simultan wurden Modelle basierend auf semantischen Eigenschaften berechnet. Daten von 108 Patienten dienten dem Training, die von 71 weiteren unabhängigen Patienten der Testung der Modelle. Die semantischen Merkmale „Maximaler Durchmesser“, „Nekrose“ und „Ödemdurchmesser“ waren signifikant mit dem Gesamtüberleben korreliert. Dennoch zeigte das semantische Modell hinsichtlich der Vorhersagekraft eine schlechtere Reproduzierbarkeit in der unabhängigen Testkohorte als das klinische Staging und die Radiomics-Modelle. Die Kombination des T2FS-basierten Radiomics Modells mit einem klinischen Modell aus Alter und klinischer Staging-Gruppen verbesserte die Prognosevorhersage weiter.