Pankreas
Gastroenterology. 2022;163(5):1435–46.e3
Radiomics-based machine-learning models can detect pancreatic cancer on prediagnostic computed tomography scans at a substantial lead time before clinical diagnosis
Radiomics-basierte Maschinenlernmodelle identifizieren Pankreaskarzinome auf prädiagnostischen Computertomografie-Bildern mehrere Monate vor der klinischen Diagnose
In dieser Studie sollten duktale Adenokarzinome des Pankreas (pancreatic ductal adenocarcinoma, PDAC) im prädiagnostischen Stadium 3–36 Monate vor der klinischen Diagnose mittels Radiomics-basierter Maschinenlernmodelle auf Computertomografie (CT) Bildern erkannt und diese Modelle in einer Fallkontrollstudie mit den diagnostischen Fähigkeiten von Radiolog*innen verglichen werden. Hierfür wurde an CT-Bildern von 155 Patient*innen mit späterer PDAC-Diagnose (medianes Intervall bis zur Tumordiagnose 398 Tage) eine volumetrische Segmentierung des Pankreas durchgeführt und mit den Ergebnissen einer vom Alter her passenden Kohorte von 265 Proband*innen mit normalem Pankreas verglichen. Von zunächst 88 Radiomics-Merkmalen wurden 34 ausgewählt und mittels geeigneter statistischer Verfahren weiter evaluiert. Der Datensatz wurde zufällig in eine Trainings- (292 CTs; 110 vor Diagnose eines Pankreaskarzinoms, 182 Kontrollen) und eine Testkohorte unterteilt (128 CTs; 45 vor Diagnose eines Pankreaskarzinoms und 83 Kontrollen). Es wurden 4 Ansätze für Maschinenlernen untersucht. Die Spezifität des Modells mit der besten Vorhersagegenauigkeit wurde weiter in einem internen Kontrolldatensatz (n = 176) und einem Datensatz des „National Institute of Health“ (n = 80) validiert. Die Pankreasbilder wurden unabhängig von 2 Radiolog*innen mittels einer aus 5 Punkten bestehenden diagnostischen Skala bewertet. Der Abstand zwischen der Durchführung der CT-Untersuchung und der Diagnose eines PDAC betrug im Median 386 Tage (Bereich, 97–1092 Tage). Das Maschinenlernen mittels „Support Vector Machine“ (SVM) hatte die beste Sensitivität (95,5; 95% Konfidenzintervall [CI]: 85,5–100), Spezifität (90,3; 95% CI: 84,3–91,5), F1-Score (89,5; 95% CI: 82,3–91,7), Fläche unter der Kurve (area under the curve, AUC) (0,98; 95% CI: 0,94–0,98) und Genauigkeit zur Unterscheidung der CT-Bilder zwischen prädiagnostischem Tumor und Normalbefund (92,2%, 95% CI: 86,7–93,7). Die 3 anderen verwendeten Maschinenlernalgorithmen hatten ähnliche AUC-Werte. Die hohe Spezifität der SVM-Methode ließ sich ebenfalls in den beiden unabhängigen Validierungskohorten reproduzieren. Dahingegen war die diagnostische Übereinstimmung zwischen den beiden Radiolog*innen eingeschränkt (Cohen’s kappa = 0,3) und deren mittlere AUCs (0,66; 95% CI: 0,46–0,86) lagen signifikant unter der diagnostischen Genauigkeit der 4 Maschinenlernalgorithmen (AUCs jeweils 0,95–0,98; p < 0,001). Die Radiolog*innen diagnostizierten vereinzelt auch falsch positive Zeichen eines PDAC bei den Kontrollen (n = 83; pro Untersucher*in jeweils 7% bzw. 18%).
In dieser Studie konnten Radiomics-basierte Maschinenlernmodelle auf Computertomografie-Bildern signifikant früher als Radiolog*innen die Diagnose duktaler Adenokarzinome des Pankreas stellen. Diese Algorithmen sollten daher in großen prospektiven Studien weiter überprüft und validiert werden. In Kombination mit geeigneten Biomarkern könnte das hierdurch gewonnene diagnostische Zeitfenster zahlreichen Patient*innen die Möglichkeit einer kurativen Operation eröffnen.