Abstract
Objective: To develop and validate a prediction model for early recurrence of stage I lung adenocarcinoma (LUAD) that combines radiomics features based on preoperative CT with tumour spread through air spaces (STAS). Materials and methods: The most recent preoperative thin-section chest CT scans and postoperative pathological haematoxylin and eosin-stained sections were retrospectively collected from patients with a postoperative pathological diagnosis of stage I LUAD. Regions of interest were manually segmented, and radiomics features were extracted from the tumour and peritumoral regions extended by 3 voxel units, 6 voxel units, and 12 voxel units, and 2D and 3D deep learning image features were extracted by convolutional neural networks. Then, the RAdiomics Integrated with STAS model (RAISm) was constructed. The performance of RAISm was then evaluated in a development cohort and validation cohort. Results: A total of 226 patients from two medical centres from January 2015 to December 2018 were retrospectively included as the development cohort for the model and were randomly split into a training set (72.6%, n = 164) and a test set (27.4%, n = 62). From June 2019 to December 2019, 51 patients were included in the validation cohort. RAISm had excellent discrimination in predicting the early recurrence of stage I LUAD in the training cohort (AUC = 0.847, 95% CI 0.762–0.932) and validation cohort (AUC = 0.817, 95% CI 0.625–1.000). RAISm outperformed single modality signatures and other combinations of signatures in terms of discrimination and clinical net benefits. Conclusion: We pioneered combining preoperative CT-based radiomics with STAS to predict stage I LUAD recurrence postoperatively and confirmed the superior effect of the model in validation cohorts, showing its potential to assist in postoperative treatment strategies.
Abstract aus Wang, Y., Ding, Y., Liu, X. et al.: Preoperative CT-based radiomics combined with tumour spread through air spaces can accurately predict early recurrence of stage I lung adenocarcinoma: a multicentre retrospective cohort study. Cancer Imaging. 2023;23(1):83.
Transfer in die Praxis von Prof. Dr. Susanne M. Lang (Jena)
Hintergrund
Durch die Einführung der Immun(chemo)therapie hat sich die Therapie des metastasierten Lungenkarzinoms erheblich verbessert. In den letzten Jahren hat sich der wissenschaftliche Fokus auf die frühen Stadien des Lungenkarzinoms verlagert. Noch ist unklar, welche Patienten ein erhöhtes Risiko für einen Progress im frühen Stadium I haben und von einer (neo-)adjuvanten Therapie besonders profitieren. Die Stadieneinteilung und das Grading nach IASLC (International Association for the Study of Lung Cancer) spiegelt das Outcome der frühen Stadien I nicht sicher wider. Als histologischer Parameter, der mit einer erhöhten Lokalrezidivrate einhergeht, wurde der Begriff tumor spread through air spaces (STAS) definiert. Mit dieser Art der Tumorausbreitung ist eine schlechtere Prognose assoziiert. Ein weiterer Hoffnungsträger für die Steuerung der Therapie ist der Nachweis zirkulierender Tumorzellen im Blut. Diese Methode hat den Sprung in die klinische Routine jedoch noch nicht geschafft. Ein junges Forschungsgebiet sind Radiomics. Mit Hilfe künstlicher Intelligenz können damit medizinische Bilddaten verknüpft und ausgewertet werden und unter anderem mit Patientendaten oder Behandlungsergebnissen mathematisch in Beziehung gesetzt werden.
Ergebnisse der Studie
In dieser chinesischen multizentrischen retrospektiven Studie von Yuhang Wang und Kollegen wurde das Radiomics-Modell RAISm (RAdiomics Integrated with STAS model) entwickelt. Das Modell wurde anhand präoperativer Computertomographien (CTs) in Kombination mit postoperativen pathologischen Befunden von 162 Patienten erstellt und in einem nächsten Schritt anhand von weiteren 51 Patienten validiert. In der ersten Gruppe waren 118 Patienten (52,2%) und in der zweiten Gruppe 25 (49%) STAS-positiv. Mit dem RAISm-Modell konnten 3-Jahres-Rezidivraten mit einer höheren Genauigkeit (area under the curve (AUC) = 0,862 im Validationsset) vorhergesagt werden als durch die Anwendung der TNM (tumor, node, metastasis)-Klassifikation und des Gradings (AUC = 0,572) (Abb 1).
Ablauf der Studie. Präoperative Thorax-CT-Bilder von Patienten wurden retrospektiv gesammelt und vorverarbeitet und dann für die Merkmalsextraktion segmentiert. Nach der Merkmalsauswahl wurden sechs radiomische Signaturen erstellt. Postoperative, mit Hämatoxylin und Eosin gefärbte Schnitte der Patienten wurden überprüft und auf den STAS-Status hin untersucht und mit den radiomischen Signaturen kombiniert, um RAISm zu erstellen. Die Leistung von RAISm wurde in der Trainingsgruppe, der Testgruppe und der Validierungsgruppe bewertet. Aus: Wang, Y., Ding, Y., Liu, X. et al. Cancer Imaging. 2023;23(1):83.
Ablauf der Studie. Präoperative Thorax-CT-Bilder von Patienten wurden retrospektiv gesammelt und vorverarbeitet und dann für die Merkmalsextraktion segmentiert. Nach der Merkmalsauswahl wurden sechs radiomische Signaturen erstellt. Postoperative, mit Hämatoxylin und Eosin gefärbte Schnitte der Patienten wurden überprüft und auf den STAS-Status hin untersucht und mit den radiomischen Signaturen kombiniert, um RAISm zu erstellen. Die Leistung von RAISm wurde in der Trainingsgruppe, der Testgruppe und der Validierungsgruppe bewertet. Aus: Wang, Y., Ding, Y., Liu, X. et al. Cancer Imaging. 2023;23(1):83.
Fazit für die Praxis
Der Nutzen der künstlichen Intelligenz liegt besonders in der Bildgebung auf der Hand, konnte sich in der Routine jedoch noch nicht etablieren. Das von Wang et al. vorgestellte Model vereint radiologische mit histologischen Kriterien (STAS). Dadurch konnten aus klinischen Routinedaten bessere prognostische Aussagen getroffen werden. Diese Ergebnisse zeigen einen vielversprechenden Weg auf. Für den breiten klinischen Einsatz sind aber allgemeingültige und vergleichbare Verfahren und Programme erforderlich.
Disclosure Statement
Hiermit erkläre ich, dass keine Interessenskonflikte in Bezug auf den vorliegenden Wissenstransfer bestehen.
