Die Detektion von Lymphknotenmetastasen ist bei Patienten mit Prostatakarzinom im Rahmen der Ausbreitungsdiagnostik von therapieentscheidender Bedeutung. Die standardmäßig eingesetzte Bildgebung mittels CT zeigt nur eine geringe Aussagekraft. Mit dem 68Ga-PSMA PET/CT existiert nun eine äußerst vielversprechende Methode zum Staging bei Prostatakarzinom. Bislang nur zum Re-Staging leitliniengerecht, stehen die Chancen für eine baldige Empfehlung zum Primärstaging gut. Das 68Ga-PSMA PET/CT ist jedoch nur eingeschränkt verfügbar, so dass viele Staging-Untersuchungen weiterhin mit kontrastmittelgestütztem CT durchgeführt werden. In den letzten Jahren konnten Radiomics-Methoden zur quantitativen Bildanalyse gute Leistungen u.a. in der Unterscheidung von malignen und benignen Veränderungen verschiedener Entitäten zeigen. Wir haben untersucht, ob mittels Radiomics-Methoden der 68Ga-PSMA PET/CT-Status von Lymphknoten nur auf Basis der CT-Bilder vorhergesagt werden kann. Methodik: Aus einem 68Ga-PSMA PET/CT Bilddatensatz von 447 Patienten mit Prostatakarzinom wurden 369 PET-positive und 1756 PET-negative Lymphknoten identifiziert und segmentiert. Relevante Radiomics-Features wurden mittels vier verschiedener Featureselektionsmethoden (FSM) Methode nach Wilcoxon, Area under the curve (AUC), mutual information (mi), mutual information minimum redundancy (mrmi) ermittelt. Anschließend wurden sechs verschiedene Klassifikationsalgorithmen (Klassifikatoren) lineare und logistische Regression, support vector machines (svm), ein neuronales Netzwerk (multilayer perceptron, mlp) sowie Klassifikationsbäume (recursive partitioning, rpart) zur Vorhersage des Lymphknotenstatus an einem nach Bagging-Verfahren balancierten Trainingsdatensatz trainiert. 24 FSM-Klassifikator-Kombinationen wurden am separaten Testdatensatz getestet. Zum Vergleich klassifizierten 2 Radiologen denselben Datensatz nach vier Kategorien (0=sicher nicht maligne, 1= wahrscheinlich nicht maligne, 2= wahrscheinlich maligne, 3= sicher maligne). Zusätzlich wurde die Vorhersagekraft der Kombination von automatischen Klassifikatoren und Radiologen ausgewertet. Ergebnisse: Die beste Vorhersageleistung wurde von den Klassifikationsbäumen (rpart) mit vorheriger Featureselektion nach der mrmi-Methode erreicht mit einer Korrektklassifikationsrate von 83% (Sensitivität 88%, Spezifizität 82%, positiver Vorhersagewert 48%, negativer Vorhersagewert 97%). Die Radiologen erreichten in der Beurteilung der Lymphkonten beide eine Korrektklassifikationsrate von 95% (Sensitivität beide 76%, Spezifizität 98% und 97%, positive Vorhersagewerte 88% und 84%, negativer Vorhersagewert beide 96%). Die Kombination von Klassifikatoren und Radiologen verbesserte die Klassifikationsleistung der Radiologen nicht. Diskussion: Radiomics-Modelle auf Basis von CT-Bildern können den 68Ga-PSMA PET-Status von Lymphknoten mit hoher Wahrscheinlichkeit vorhersagen. Im Vergleich zur, in der bisherigen Literatur, ermittelten Leistung der CT-Bildgebung, könnten sie die Lymphknotendiagnostik bei Patienten mit Prostatakarzinom verbessern bzw. die konventionelle Diagnostik oder das 68Ga-PSMA PET/CT ergänzen. Die Validierung der Klassifikationsalgorithmen an externen Datensätzen und weitere Studien mit histopathologischer Korrelation sind notwendig, um eine klinische Anwendbarkeit zu ermöglichen.
The detection of lymph node metastases for staging is of critical importance for therapy decisions in patients with prostate cancer (PCa). CT as a standard imaging technique is of limited value. With 68Ga-PSMA PET/CT, a promising method for staging in PCa now exists. So far only guideline-compliant for re-staging, chances for a timely recommendation for primary staging are good. However, 68Ga-PSMA PET/CT remains limited in availability, so many staging examinations are still performed with contrast-enhanced CT. In recent years, radiomics methods for quantitative image analysis have shown good performance e.g. in differentiating malignant from benign lesions of different entities. We investigated whether radiomics methods could predict the 68Ga-PSMA PET-status of lymph nodes based on CT images only. METHODS: From a 68Ga-PSMA PET/CT image dataset of 447 patients with prostate cancer, 369 PET-positive and 1756 PET-negative lymph nodes were identified and segmented. Relevant radiomic features were identified using four different feature selection methods (FSM) method according to Wilcoxon, area under the curve (AUC), mutual information (mi), mutual information minimum redundancy (mrmi). Then, six different classification algorithms (classifiers) linear and logistic regression, support vector machines (svm), a neural network (multilayer perceptron, mlp), and classification trees (recursive partitioning, rpart) for lymph node status prediction were trained on a training dataset balanced by the bagging method. 24 FSM-classifier combinations were tested on the separate test dataset. For comparison, 2 radiologists classified the same data set according to four categories (0=certainly nonmalignant, 1=probably nonmalignant, 2=probably malignant, 3=certainly malignant). In addition, the predictive power of the combination of automatic classifiers and radiologists was evaluated. Results: The best predictive performance was achieved by the classification trees (rpart) with prior feature selection using the mrmi-method with an accuracy of 83% (sensitivity 88%, specificity 82%, positive predictive value 48%, negative predictive value 97%). The radiologists both achieved a 95% accuracy (sensitivity both 76%, specificity 98% and 97%, positive predictive values 88% and 84%, negative predictive value both 96%). The combination of classifiers and radiologists did not improve classification performance of radiologists. Discussion: Radiomics models based on CT images can predict 68Ga-PSMA PET-status of lymph nodes with high probability. Compared to the performance of CT imaging determined in previous literature, they could potentially improve lymph node diagnosis in patients with PCa and/or supplement conventional diagnostics or 68Ga-PSMA PET/CT. Validation of the classifiers on external datasets and further studies with histopathological correlation are necessary to enable clinical applicability.
