Gliome: Therapieansprechen besser beurteilen dank Algorithmus

Forscher aus Heidelberg haben eine Künstliche Intelligenz entwickelt, die das Therapieansprechen bei Gliomen zuverlässiger und schneller prognostizieren kann. Auch die Vorhersage des Gesamtüberlebens gelang besser.

MRT Gehirn

Hintergrund

Gliome sind Hirntumoren. Man kann sie auf unterschiedlichste Art und Weise behandeln: zum Beispiel mit Bestrahlung, mit Chemotherapie, operativ, mit Radiochemotherapie oder experimentell. Nicht jedes Gliom spricht jedoch auf eine Behandlungsart gleich gut an. Deshalb braucht es Verfahren, die das Therapieansprechen der Tumoren möglichst sicher vorhersagen können. Vor allem das Wachstum der Tumoren ist dabei für Wissenschaftler und behandelnde Ärzte interessant.

Bisher wurden Hirntumoren anhand von MRT-Aufnahmen analysiert. Dafür wurden unter anderem immer häufiger die sogenannten RANO-Kriterien (Response Assessment in Neuro-Oncology) herangezogen und MRT-Aufnahmen vor allem zweidimensional und manuell analysiert. Mit diesen Kriterien lässt sich abschätzen, wie lange ein Tumor voraussichtlich progressionsfrei bleibt. Diese Technik bringt jedoch einige Probleme mit sich, denn sie basiert auf der Vermutung, dass Tumoren kugelförmig wachsen und es ausreicht, sie zweidimensional zu vermessen, um Aussagen über das Tumorvolumen zu machen. Viele Tumoren wachsen aber nicht gleichmäßig in alle Richtungen, denn sie werden stark von ihrer Umgebung und der Behandlung beeinflusst. Deshalb nehmen sie häufig komplizierte Formen an und wachsen anisotrop. In der Folge stößt die zweidimensionale Vermessung an ihre Grenzen. Dreidimensionale Messverfahren jedoch eignen sich bis dato nicht für den klinischen Alltag.

Zielsetzung

Das Team um Dr. Philipp Kickingereder vom Universitätsklinikum Heidelberg und dem Deutschen Krebsforschungszentrum in Heidelberg hat sich in ihrer Studie zum Ziel gesetzt, mithilfe eines künstlichen neuronalen Netzwerks (= artificial neural network, kurz ANN) einen Algorithmus zu entwickeln [1]. Dieser Algorithmus soll vollautomatisiert MRT-Aufnahmen quantitativ analysieren können und die progressionsfreie Zeit abschätzen sowie das Therapieansprechen bei Gliomen prognostizieren. So sollen Limitierungen manueller Einschätzung von Tumoren reduziert werden. Der Algorithmus sollte in eine kliniktaugliche Softwareinfrastruktur eingebettet werden.

Methodik

In einem ersten Schritt nutzten die Wissenschaftler die Daten von 455 Patienten mit histologisch gesichertem Glioblastomen am Heidelberger Universitätsklinikum, um der Künstlichen Intelligenz beizubringen, MRT-Aufnahmen eigenständig und standardisiert nach vorab festgelegten Kriterien zu analysieren. Als Input wurde das ANN mit vier verschiedenen MRT-Sequenzen gefüttert, für die Radiologen vorab jeweils eine Tumorsegmentationsmaske entwickelt hatten.

Anschließend wurde der Algorithmus anhand von longitudinalen Datensätzen von 40 weiteren in Heidelberg behandelten Patienten mit histologisch gesichertem Glioblastom oder low-grade Gliomen überprüft und statistisch retrospektiv mit den durch RANO erlangten Ergebnissen verglichen. Parallel unterzog das Team den Algorithmus einer zweiten Überprüfung mithilfe multizentrischer Daten. Dazu nutzten sie insgesamt 2.034 MRT-Aufnahmen von 532 Patienten aus 38 Instituten der EORTC-26101 Studie. Für beide Datensätze quantifizierte die Künstliche Intelligenz die räumliche und zeitliche Dynamik des Tumorvolumens und berechnete automatisch den Zeitraum, bis der Tumor progressieren würde. Auch diese Ergebnisse verglichen die Wissenschaftler statistisch mithilfe des Dice-Koeffizienten mit den während der Behandlung erhobenen RANO-basierten Ergebnissen.

In einem letzten Schritt entwickelten Dr. Kickingereder und seine Kollegen eine direkt nutzbare Softwareinfrastruktur, die auf ihren Studienergebnissen basiert, und testeten sie in einer simulierten Klinikumgebung mit Patienten.

Ergebnisse

Statistisch ausgewertet erlangte das ANN einen medianen Dice-Koeffizienten von 0,89 für Kontrast-verstärkte Tumoren und 0,93 für nicht-verstärkte T2-Signalabnormalitäten im MRT für die Heidelberger Datensätze, bzw. 0,91 und 0,93 für die Datensäte aus der EORTC-26101 Studie. Um die progressionsfreie Zeit abzuschätzen, eignete sich die ANN-basierte quantitative Bewertung des Therapieansprechens signifikant besser als das auf RANO basierte Gesamtüberleben. Die Verlässlichkeit der Beurteilung wurde so um 36% verbessert.

Um das Therapieansprechen der Tumoren in einer simulierten Klinik mit Patienten zu berechnen, brauchte die Künstliche Intelligenz zehn Minuten Computerzeit pro Scan.

Fazit

„Die Auswertung von über 2.000 MRT-Untersuchungen von 534 Glioblastom-Patienten aus ganz Europa zeigt, dass unser computerbasierter Ansatz eine zuverlässigere Beurteilung des Therapieansprechens ermöglicht, als es mit der herkömmlichen Methode der manuellen Messung möglich wäre. Wir konnten die Verlässlichkeit der Beurteilung um 36 Prozent verbessern. Das kann für die auf Bildgebung basierende Beurteilung der Wirksamkeit einer Therapie in klinischen Studien von entscheidender Bedeutung sein. Auch die Vorhersage des Gesamtüberlebens war mit unserem neuen Verfahren exakter möglich", erklärt Dr. Philipp Kickingereder [2].

Um ein alltagstaugliches und für die klinische Diagnostik ausreichend getestetes und robustes System aus den Ergebnissen zu machen, muss das System sich nun in prospektiven klinischen Studien bewähren. Eigenen Angaben zufolge wird das nun als Teil einer Studie, die die Behandlung von Glioblastompatienten verbessern soll, am Deutschen Krebsforschungszentrum und dem Nationalen Centrum für Tumorerkrankungen (NCT) in Heidelberg umgesetzt.

Autor: Sonja Klein (Medizinjournalistin)

Stand: 10.04.2019

Quelle:
  1. Kickingereder et al. (2019): Automated quantitative tumour response assessment of MRI in neuro-oncology with artificial neural networks: a multicentre, retrospective study. The Lancet Oncology, DOI: https://doi.org/10.1016/S1470-2045(19)30098-1
     
  2. Deutsches Krebsforschungszentrum (DKFZ), Pressemeldung, 03.04.2019
     
  • Auf Whatsapp teilenTeilen
  • Auf Facebook teilen Teilen
  • Auf Twitter teilenTeilen
  • MerkenMerken
  • DruckenDrucken
  • SendenSenden
Anzeige

Onkologie-Kongresse

Onkologie

Pharma News

Ärztliche Fachgebiete

Orphan Disease Finder

Orphan Disease Finder

Hier können Sie seltene Erkrankungen nach Symptomen suchen:

 

Newsletter