Entwicklung und Validierung eines CT-basierten Radiomics-Modells zur Differenzierung von pneumonieähnlichem primären pulmonalen Lymphom und infektiöser Pneumonie: eine multizentrische Studie

Das primäre pulmonale Lymphom (PPL) ist eine seltene Malignität, die nur 0,5–1 % der primären pulmonalen Neoplasien ausmacht. Pneumonieähnliche PPL, charakterisiert durch konsolidierende Läsionen in der Computertomographie (CT), die infektiöse Pneumonien imitieren, stellen erhebliche diagnostische Herausforderungen dar. Fehldiagnosen verzögern die adäquate Therapie, da infektiöse Pneumonien typischerweise Antibiotika erfordern, während PPL spezifische Therapien wie Chemotherapie oder Bestrahlung benötigt. Diese multizentrische Studie zielte darauf ab, ein CT-basiertes Radiomics-Modell zur Differenzierung von pneumonieähnlichem PPL und infektiöser Pneumonie zu entwickeln und zu validieren, um ein nicht-invasives Diagnosewerkzeug für die klinische Entscheidungsfindung bereitzustellen.

Klinische und radiologische Herausforderungen in der Diagnostik

PPL präsentiert sich oft mit unspezifischen Symptomen wie Husten, Fieber oder Gewichtsverlust. Radiologisch manifestiert es sich als Konsolidierungen mit Luftbronchogrammen, die sich mit Merkmalen infektiöser Pneumonien überschneiden. Frühere Studien berichten, dass über die Hälfte der PPL-Fälle zunächst als Pneumonie fehldiagnostiziert werden, was zu Therapieverzögerungen führt. Konventionelle CT-Merkmale wie irreguläre Kavernen oder Halo-Zeichen weisen eine unzureichende Spezifität für eine verlässliche Differenzierung auf. Diese Studie adressierte diese Limitationen durch die Integration von Radiomics – einer Technik, die hochdimensionale Merkmale aus medizinischen Bildern extrahiert –, um subtile, visuell nicht erfassbare Muster zu identifizieren.

Studiendesign und Patientenkohorten

Die retrospektive Analyse umfasste 255 Patienten aus 12 medizinischen Zentren: 79 mit pathologisch bestätigtem pneumonieähnlichem PPL und 176 mit infektiöser Pneumonie (48 pathologisch bestätigt, 128 nach Antibiotikatherapie resolviert). Die Patienten wurden in drei Kohorten unterteilt:

• Trainingskohorte: 144 Patienten (44 PPL, 100 Pneumonie) aus den Zentren 1–7.
• Validierungskohorte: 38 Patienten (12 PPL, 26 Pneumonie) aus den Zentren 1–7.
• Externe Testkohorte: 73 Patienten (23 PPL, 50 Pneumonie) aus den Zentren 8–12.

Klinische und laborchemische Variablen, einschließlich Alter, Fieber, Husten, Leukozytenzahl und C-reaktives Protein, wurden analysiert. Zwei Radiologen bewerteten unabhängig CT-Merkmale wie Läsionsränder, Luftbronchogramme, Kavernenbildung und Pleuraerguss.

Radiomics-Workflow und Modellentwicklung

Bildsegmentierung und Merkmalsextraktion

Dreidimensionale Regionen von Interesse (ROIs) wurden manuell in CT-Lungenfenstern segmentiert. Insgesamt wurden 1.743 Radiomics-Merkmale extrahiert, darunter First-Order-Statistiken, Texturmerkmale und Formdeskriptoren. Zur Reproduzierbarkeit wurden Bilder auf 1,0 mm³-Voxel resampelt und mit einer Binbreite von 25 Hounsfield-Einheiten normalisiert.

Merkmalsselektion und Modellaufbau

Ein dreistufiger Selektionsprozess wurde angewendet:

1. Stabilitätstest: Merkmale mit Intra- oder Inter-Class-Correlation-Coefficients (ICCs) <0,75 wurden ausgeschlossen (1.548 Merkmale verblieben).
2. Statistische Filterung: Einweg-ANOVA identifizierte 955 signifikant unterschiedliche Merkmale zwischen PPL und Pneumonie.
3. LASSO-Regression: Eine Least Absolute Shrinkage and Selection Operator (LASSO)-Regression mit 5-facher Kreuzvalidierung selektierte 23 robuste Merkmale, darunter 8 First-Order-, 2 Form- und 13 Texturmerkmale aus Wavelet- und Laplacian-of-Gaussian-Filtern.

Das Radiomics-Signaturmodell wurde unter Gewichtung der LASSO-Koeffizienten konstruiert. Ein Nomogramm integrierte Radiomics-Scores und klinische Faktoren zur Visualisierung.

Klinisches Faktorenmodell und radiologische Beurteilung

Univariate Analysen identifizierten Fieber (p <0,001), produktiven Husten (p = 0,002) und irreguläre Kavernen (p = 0,001) als signifikante Prädiktoren. Multivariate logistische Regression bestätigte Fieber (OR = 0,27), produktiven Husten (OR = 0,24) und irreguläre Kavernen (OR = 2,88) als unabhängige Prädiktoren. Das klinische Modell erreichte eine AUC von 0,80 in der Trainingskohorte.

Zwei Radiologen bewerteten unabhängig die externe Testkohorte anhand einer 5-Punkte-Skala. Ihre Leistung wurde mit dem Radiomics- und klinischen Modell verglichen.

Leistung des Radiomics-Modells

Trainings- und Validierungskohorten

• Trainingskohorte: AUC = 0,95 (95 %-KI: 0,94–0,99), Sensitivität 89 %, Spezifität 87 %, Genauigkeit 88 %.
• Validierungskohorte: AUC = 0,93 (95 %-KI: 0,85–0,98), Sensitivität 83 %, Spezifität 81 %, Genauigkeit 82 %.

Externe Testkohorte

• Radiomics-Modell: AUC = 0,94 (95 %-KI: 0,87–0,99), Sensitivität 96 %, Spezifität 80 %, Genauigkeit 85 %.
• Klinisches Modell: AUC = 0,73 (95 %-KI: 0,62–0,84), Sensitivität 70 %, Spezifität 66 %.
• Radiologen: Leser 1 (AUC = 0,74) und Leser 2 (AUC = 0,72) zeigten geringere Leistung als das Radiomics-Modell (p = 0,006 bzw. 0,003).

Das Radiomics-Modell übertraf signifikant beide klinischen Modelle und die radiologische Beurteilung in allen Kohorten (p <0,05). Schlüsselmerkmale umfassten lbp-3D-k_firstorder_Maximum (höhere Intensität bei PPL) und wavelet-HH_gldm_DependenceVariance (texturelle Heterogenität).

Klinische Implikationen und Limitationen

Diese Studie demonstriert das Potenzial von Radiomics zur Lösung eines kritischen diagnostischen Dilemmas. Durch Quantifizierung textureller und intensitätsbasierter Unterschiede erreichte das Modell eine überlegene Genauigkeit gegenüber subjektiver radiologischer Beurteilung. Wesentliche Vorteile sind:

1. Nicht-invasive Differenzierung: Vermeidet Biopsien oder prolongierte Antibiotikaversuche.
2. Multizentrische Generalisierbarkeit: Validierung über diverse geografische und institutionelle Datensätze.
3. Integration klinischer Faktoren: Das Nomogramm bietet ein klinikerfreundliches Tool für die Risikostratifizierung.

Limitationen umfassen das retrospektive Design, die relativ kleine Stichprobengröße und Variabilität in CT-Akquisitionsparametern. Zukünftige Arbeiten sollten das Modell prospektiv validieren und die Integration automatisierter Segmentierung mittels KI erforschen.

Fazit

Diese multizentrische Studie etablierte ein robustes CT-basiertes Radiomics-Modell, das pneumonieähnliches PPL mit hoher Genauigkeit von infektiöser Pneumonie unterscheidet. Die Leistung übertraf klinische Faktoren und radiologische Beurteilung, unterstreicht das Potenzial zur Reduktion diagnostischer Verzögerungen und zur rechtzeitigen Therapieeinleitung. Mit der Weiterentwicklung von Radiomics könnten solche Tools unverzichtbar in der personalisierten Onkologie und Infektionsmedizin werden.

doi.org/10.1097/CM9.0000000000002671