Radiomics und Maschinelles Lernen zur Subtypisierung von Nierentumoren in der CT: eine multizentrische Bildgebungsstudie mit unabhängiger Validierung.

Le résumé fourni par la source

Zielsetzung Prädiktion des histologischen Nierentumor-Subtyps in der Computertomographie (CT) mittels Radiomics und maschinellen Lernverfahren (ML). Material und Methoden Nierentumorpatienten wurden retrospektiv 2012-2022 an zwei universitären Zentren rekrutiert. Einschlusskriterien waren CT-Untersuchungen in corticomedullärer (CM) oder nephrogener (NG) KM-Phase. Patienten<18 Jahren, mit zystischen/diffus infiltrativen Tumoren (z.B. Lymphome) wurden ausgeschlossen. Eine manuelle Nierentumor-Segmentation erfolgte auf sämtlichen axialen CT-Bildern. Anhand der Segmentationen wurden 129 Radiomic features extrahiert und ML-Algorithmen trainiert, den histologischen Nierentumor-Subtyp vorherzusagen (Quantifikation mittels multiclass AUC). Die ML-Verfahren wurden anhand der Daten eines universitären Zentrums mit Kreuzvalidierung trainiert; die Daten des anderen Zentrums dienten der unabhängigen Validierung. Ergebnisse Die Trainingsdaten umfassten 173 Patienten (medianes Alter 66J; 41% Frauen; 65% ccRCC; 6% chRCC; 13% pRCC; 8% AML; 9% Onkozytome); und die Validierungsdaten 137 Patienten (medianes Alter 65J; 31% Frauen; 58% ccRCC; 4% chRCC; 16% pRCC; 3% AML; 20%). In den Trainingsdaten erreichte der ML-Algorithmus eine multiclass AUC von 0.77 (CM+NG), 0.73 (CM), und 0.77 (NG KM-Phase); in den unabhängigen Validierungsdaten eine multiclass AUC von 0.74 (CM+NG), 0.68 (CM), und 0.81 (NG KM-Phase). In allen KM-Phasen zeigten die ML-Algorithmen eine niedrigere diagnostische Genauigkeit für die Identifikation Onkozytomen (AUC 0.67-0.71) als bei anderen Nierentumoren (z.B. AML AUC 0.84-0.85). Schlussfolgerungen Die Prädiktion des Nierentumor-Subtyps in der CT ist mittels Radiomics und KI-Verfahren mit guter diagnostischer Genauigkeit möglich. In unabhängigen, multizentrischen Daten zeigt sich eine robuste Performance, auch wenn Onkozytome eine diagnostische Herausforderung bleiben. Der Informationsgehalt der singulären nehrogenen KM-Phase ist am höchsten, was den diagnostischen Mehrwert der corticomedullären KM-Phase infrage stellt. Publication History Article published online: 13 April 2023 © 2023. Thieme. All rights reserved. Georg Thieme Verlag Rüdigerstraße 14, 70469 Stuttgart, Germany

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.