Radiomik-Ansätze bei Magenkrebs: Eine Grenze in der klinischen Entscheidungsfindung
Magenkrebs bleibt trotz rückläufiger Inzidenz in den letzten Jahrzehnten eine erhebliche globale Gesundheitsbelastung. Er ist die dritthäufigste Ursache für krebsbedingte Todesfälle weltweit, mit über 1.000.000 Neuerkrankungen und etwa 783.000 Todesfällen im Jahr 2018. Allein in China wurden im Jahr 2015 6.791.000 Neuerkrankungen und 498.000 Todesfälle verzeichnet. Bildgebende Verfahren spielen eine entscheidende Rolle bei der Diagnose, Stadieneinteilung und Risikostratifizierung von Magenkrebs, unterstützen die Auswahl optimaler Therapiestrategien und verbessern die Patientenoutcomes. Die Radiomik, ein aufstrebendes Forschungsfeld, zeigt vielversprechende Ansätze zur Extraktion quantitativer Merkmale aus medizinischen Bildern, die mit bloßem Auge nicht sichtbar oder durch Routineanalysen quantifizierbar sind. Dieser Artikel diskutiert die Anwendung der Radiomik bei Magenkrebs, ihre Herausforderungen und zukünftige Perspektiven.
Überblick zur Radiomik
Die Radiomik wurde erstmals 2012 von Lambin et al. eingeführt und später von Kumar et al. als Hochdurchsatz-Extraktion und -Analyse einer großen Anzahl quantitativer Bildmerkmale aus medizinischen Aufnahmen mittels Computertomographie (CT), Positronenemissionstomographie (PET) oder Magnetresonanztomographie (MRI) definiert. Ihr primärer Vorteil liegt in der Erfassung von Informationen über Tumorphänotyp und Mikroumgebung, die durch konventionelle Radiologie nicht zugänglich sind. Ein weiterer Stärkebereich ist die Nutzung künstlicher Intelligenz und maschineller Lernverfahren zur Transformation hochdimensionaler Daten in diagnostische, prädiktive oder prognostische Modelle, die personalisierte klinische Entscheidungen unterstützen.
Eine typische Radiomik-Studie umfasst vier Phasen:
- Bildakquisition: Die Standardisierung von Scan- und Rekonstruktionsprotokollen ist entscheidend, um Variabilität zu minimieren.
- Bildsegmentierung: Manuelle oder semi-automatische Segmentierung von Regionen (ROIs) oder Volumina (VOIs) des Tumors, metastatischer Läsionen und gesunden Gewebes.
- Merkmalsextraktion und -selektion: Hochdurchsatz-Extraktion quantitativer Merkmale wie Form, Größe, Histogramme erster und zweiter Ordnung (texturbasiert) sowie fraktale Merkmale. Redundante Merkmale werden mittels LASSO, Maximum-Relevance-Minimum-Redundancy oder Hauptkomponentenanalyse eliminiert.
- Modellentwicklung und Validierung: Optimale maschinelle Lernmodelle (z. B. Support-Vektor-Maschinen, Random Forest, neuronale Netze) werden identifiziert und statistisch validiert, um Robustheit zu gewährleisten.
Anwendung der Radiomik bei Magenkrebs
Eine Literaturrecherche in PubMed mit Begriffen wie „Radiomik“, „Texturanalyse“ und „Magenkrebs“ ergab 17 Originalstudien. Diese zeigen, dass Radiomik bei differenzialdiagnostischen Fragestellungen, der Beurteilung des histologischen Grades, dem Tumor-Staging, der Therapieansprechvorhersage und der Prognoseabschätzung moderate bis exzellente Leistungen erbringt.
Differenzialdiagnose
Die Unterscheidung zwischen primärem Magenlymphom, gastrointestinalem Stromatumor (GIST) und Adenokarzinom gestaltet sich im CT oft schwierig. Ba-Ssalamah et al. analysierten Texturmerkmale aus präoperativen CT-Bildern (arterielle und portale Phase) und differenzierten GIST von Lymphomen mit 100 % Genauigkeit sowie Adenokarzinome von Lymphomen mit einer Fehlklassifikationsrate von 3,1 %. Ma et al. erreichten mittels Ganzläsions-Texturmerkmalen eine Differenzierungsgenauigkeit von 87 % zwischen Adenokarzinom und Lymphom.
Vorhersage des histologischen Grades
Histopathologische Merkmale beeinflussen Therapie und Prognose signifikant. Liu et al. korrelierten Radiomik-Merkmale aus arteriellen und portalen CT-Phasen bei 107 Patienten mit histologischem Grad und Lauren-Typ. Zhang et al. identifizierten Unterschiede in Histogrammparametern zwischen Läsionen unterschiedlicher Grade in ADC-Karten, jedoch mit begrenzter klinischer Aussagekraft aufgrund niedriger AUC-Werte.
Tumor-Staging
Fünf Studien evaluierten Radiomik für die Vorhersage von Lymphknotenstatus, Gefäßinvasion und okkulter Peritonealkarzinose. Liu et al. erreichten eine Genauigkeit von 74–81 % für Lymphknotenmetastasen, jedoch nicht für das T-Staging. Feng et al. entwickelten ein Radiomik-Modell (n = 490) mit einer AUC von 0,824 (Trainingskohorte) und 0,764 (Testkohorte) für Lymphknotenmetastasen. Dong et al. erstellten ein Nomogramm für okkulte Peritonealkarzinose (n = 554) mit AUC-Werten bis 0,958.
Therapieansprechen und Prognose
Prognose nach chirurgischer Resektion
Giganti et al. fanden Assoziationen zwischen CT-Texturparametern (z. B. Energie, Entropie) und dem Gesamtüberleben (OS) bei 56 Patienten. Li et al. integrierten Radiomik-Signaturen und klinische Parameter in ein Nomogramm, das prädiktiv überlegener war als Einzelparameter.
Neoadjuvante Chemotherapie (NAC)
Vier Studien untersuchten die Prognosevorhersage unter NAC. Giganti et al. identifizierten Entropie, Range und RMS als unabhängige Prädiktoren. Jiang et al. entwickelten einen prognostischen Klassifikator (n = 1591) mit Hazard Ratios (HR) von 2,98–3,72 für krankheitsfreies Überleben (DFS) und OS.
Zielgerichtete Therapie mit Trastuzumab
Yoon et al. differenzierten bei HER2-überexprimierenden Patienten (n = 26) Responder und Non-Responder mittels GLCM-Merkmalen (AUC 0,75–0,77).
Strahlentherapie
Hou et al. prognostizierten das Ansprechen auf Radiotherapie bei 43 Patienten mittels Radiomik-Signaturen (AUC bis 0,816).
Herausforderungen und Zukunftsperspektiven
Trotz Fortschritten steht die Radiomik in der Magenkrebsforschung vor Herausforderungen:
- Bildakquisition: Retrospective Studien mit heterogenen Scannern und Schichtdicken beeinträchtigen die Reproduzierbarkeit. Standardisierte Protokolle sind erforderlich.
- Segmentierung: Variabilität in Methoden (manuell vs. automatisch) und die Überlegenheit von 3D-VOIs gegenüber 2D-ROIs müssen weiter untersucht werden.
- Merkmalsselektion: Die Dokumentation von Reduktionsprozessen ist entscheidend für robuste Modelle.
- Validierung: Externe Validierung und Generalisierbarkeit bleiben kritisch.
Zukünftige Richtungen
Zukünftige Forschung sollte Langzeitprognosen nach NAC, Identifizierung von Subgruppen für zielgerichtete Therapien und multimodale Bildgebungsansätze priorisieren.
Zusammenfassung
Die Radiomik markiert eine Grenze in der klinischen Entscheidungsfindung bei Magenkrebs, indem sie präzise, bildbasierte Biomarker liefert. Obwohl noch in den Anfängen, bietet sie das Potenzial, die personalisierte Medizin durch Standardisierung, Datenakkumulation und KI-Fortschritte zu revolutionieren.
doi.org/10.1097/CM9.0000000000000360