Zielsetzung
In den letzten Jahren sind vielfältige Publikationen zur Prädiktion des genetischen Profils von cerebralen Gliomen erschienen. Diese Studien setzen allerdings voraus, dass ein cerebrales Gliom vorliegt. In der klinischen Routine können diese allerdings mit anderen Pathologien verwechselt werden. Ziel dieser Studie war es daher einen Algorithmus zu entwickelt, welcher cerebrale Gliome von vielfältigen anderen Pathologien automatisiert differenziert.
Material und Methoden
Die Studiengruppe umfasste 1280 Patienten mit einer Vielzahl verschiedener intrakranieller Pathologien, darunter 218 Gliome (54,76 Jahre ± 13,74; 136 Männer, 82 Frauen), 514 Metastasen (59,29 Jahre ± 12,34; 230 Männer, 284 Frauen), 366 entzündliche Läsionen (41,94 Jahre ± 14,57; 142 Männer, 224 Frauen), 83 Meningeome (63,99 Jahre ± 13,31; 25 Männer, 58 Frauen) und 99 intrazerebrale Blutungen (62,68 Jahre ± 16,64; 56 Männer, 43 Frauen). Es wurden radiomische Features aus den Standard-MRT-Sequenzen FLAIR, T1 nativ und T1 mit Kontrastmittel extrahiert. Die vollautomatische Segmentierung der Tumore erfolgte mithilfe des nnU-Net basierten Algorithmus HD-GLIO. Die Vorhersage Modelle, hauptsächlich XGBoost, wurden mithilfe von Optuna und Hyperparameter-Tuning optimiert.
Ergebnisse
Die Studie zeigte vielversprechende Ergebnisse für die Modelle zur Unterscheidung von Gliomen von anderen intrakraniellen Pathologien. Die besten trainierten Modelle erreichten durchweg hohe AUC-Werte: Gliome vs. Metastasen (AUC=0,951,), Gliome vs. entzündliche Läsionen (AUC=0,997), Gliome vs. intrazerebrale Blutungen (AUC=0,991) und Gliome vs. Meningeome (AUC=0,979).
Schlussfolgerungen
Diese Studie präsentiert einen automatisierten Ansatz, der die Unterscheidung von Gliomen von anderen intrakraniellen Pathologien erleichtert, um sich dem Ziel einer umfänglichen virtuellen Biopsie zu nähern.