Das ist eine Meldung
Stet clita kasd gubergren, no sea takimata sanctus est. Ut labore et dolore aliquyam erat, sed diam voluptua.
RK / WISS
Onkologische Bildgebung VII - Leberbildgebung III - The whole picture of HCC
19
MaiVeranstaltungsdetails
- Veranstalter
- Deutsche Röntgengesellschaft e.V.
- Art
- Refresher-Kurs
- Thema
- Onkologische Bildgebung
- Zielgruppe
- Andere, Ärzte in Weiterbildung (AiW), Fachärzte, Ingenieure / Naturwiss.
Zertifizierungen
Bewertung folgt.
v.l.n.r. Thorsten Persigehl, Thomas J. Kröncke
Informationen
Das ist eine Veranstaltung der AG Onkologische Bildgebung.
Anwesenheiten
- Moderation
- Bernhard Gebauer (Berlin)
Wibke Uller (Freiburg)
Ablauf
16:30 - 16:45
Vortrag (Fortbildung)
Neues von der S3-Leitlinie, Transplantationskriterien und interventionelle Therapie
Thomas J. Kröncke (Augsburg)
16:45 - 17:00
Vortrag (Fortbildung)
Strukturierte Befundung nach LI-RADS - praktische Hinweise
Thorsten Persigehl (Köln)
17:00 - 17:15
Vortrag (Fortbildung)
Strukturiertes Therapiemonitoring mit mRECIST
Mirjam Gerwing (Münster)
17:15 - 17:20
Vortrag (Wissenschaft)
Überlebensvorhersage von Patienten mit hepatozellulärem Karzinom mittels Radiomics- und Deep Learning-Algorithmen
Felix Schön (Dresden)
Zielsetzung
Ziel der Arbeit war die Entwicklung und Validierung von Modellen zur Prädiktion des Gesamtüberlebens von Patienten mit hepatozellulärem Karzinom (HCC) unabhängig der Tumorstadien mittels Radiomics- und Deep Learning- (Convolutional Neural Network; CNN) Algorithmen.
Material und Methoden
Retrospektiv wurden 114 HCC-Patienten mit einer prätherapeutischen CT der Leber mit arterieller und venöser Kontrastmittelphase eingeschlossen und zufällig in eine Trainings- (n = 85) und Validierungskohorte (n = 29) unterteilt. Neben der Erhebung demographischer und klinischer Parameter, wie Labor-, Therapie- und Überlebensdaten, erfolgte die Bildannotation des Leberparenchyms und des Tumorbefundes in der CT. Unter Berücksichtigung der klinischen Parameter wurden Cox-Regressionen basierend auf konventionellen Radiomics-Parametern der CT sowie CNN-Modelle entwickelt. Die Modellleistungen wurden anhand des Konkordanzindex (C-Index) bewertet. Mittels Log-Rank-Tests wurde die Fähigkeit der Modelle einer Unterteilung in Hoch-/Niedrigrisikogruppen für das Gesamtüberleben überprüft.
Ergebnisse
Die Trainings- und Validierungskohorten waren hinsichtlich der klinischen Parameter balanciert (p > 0,05). Insgesamt erzielte das klinische Cox-Regressions-Modell die beste Vorhersage des Gesamtüberlebens in der Validierung (C-Index [95% Konfidenzintervall (KI)] = 0,74 [0,57 – 0,86]) mit signifikantem Unterschied zwischen den Risikogruppen (p = 0,03). In der Bildanalyse waren die CNN-Modelle (niedrigster C-Index [KI] = 0,63 [0,39 – 0,83]; höchster C-Index [KI] = 0,71 [0,49 – 0,88]) gegenüber den Radiomics-Modellen (niedrigster C-Index [KI] = 0,39 [0,19 – 0,64]; höchster C-Index = 0,66 [0,48 – 0,79]) überlegen. Eine signifikante Risikoeinteilung war hier jedoch nicht möglich (p > 0,05).
Schlussfolgerungen
CNN-Modelle zeigen gegenüber Radiomics-Modellen in der Bildanalyse eine bessere Risikostratifizierung für das Gesamtüberleben von HCC-Patienten und unterstreichen deren Potential in der Bildanalyse.
17:20 - 17:50
Vortrag (Fortbildung)
Cases, Cases, Cases - klassische Pearls und Pitfalls
Uli Fehrenbach (Berlin)
17:50 - 18:00