Radiomics-basierte CT-Bilddaten-Analyse zur nicht-invasiven Vorhersage des histopathologischen Tumorgrads klarzelliger Nierenzellkarzinome

Abstract

Hintergrund Der histopathologische Tumorgrad klarzelliger Nierenzellkarzinome wird aktuell durch die Untersuchung eines Tumorresektats oder einer Stanzzylinderbiopsie ermittelt. Radiomics-basierte CT-Bilddaten-Analysen könnten eine nicht-invasive Bestimmung des Tumorgrads erlauben. Die Prinzip von Radiomics beruht darauf, dass sich Veränderungen auf mikroskopischer Ebene auch in strukturellen, quantitativ messbaren Bilddatenunterschieden manifestieren, diese Veränderungen in radiologischen Datensätzen erkannt und folglich zu klinischen Parametern in Beziehung gesetzt werden können.

Methoden Untersucht wurden die computertomographischen Aufnahmen von 382 Patienten mit 388 klarzelligen Nierenzellkarzinomen. Auf die manuelle Segmentierung der Tumore folgte die Extraktion von 1221 quantitativen Bildmerkmalen. Nach der Merkmalsselektion mittels einer Reproduzierbarkeitsanalyse, einer Korrelationsanalyse und ANOVA verblieben 4 Merkmale für die native CT, 52 Merkmale für die arterielle CT und 17 Merkmale für die venöse CT. Es wurden vier Modelle des maschinellen Lernens bezüglich der Unterscheidung zwischen niedriggradigen (WHO/ISUP / Fuhrman G1), mittelgradigen (WHO/ISUP / Fuhrman G2-G3) und hochgradigen (WHO/ISUP / Fuhrman G4) Tumoren trainiert: Ein Random Forest Modell, ein Gradient Boosting Modell, ein L1/2 regularisiertes Regressionsmodell und ein k-Nearest-Neighbor Modell. Das Training der Modelle erfolgte jeweils getrennt für die native, die arterielle und die venöse CT.

Ergebnisse Das Gradient Boosting Modell (Accuracy: arteriell 77%, venös 81%, nativ 80%) und das Random Forest Modell (Accuracy: arteriell 86%, venös 83%, nativ 50%) erzielten die besten Ergebnisse bei der Klassifizierung des Tumorgrads. Das L1/2 regularisierte Regressionsmodell (Accuracy: arteriell 77%, venös 56%, nativ 80%) und das k-Nearest-Neighbor Modell (Accuracy: arteriell 50%, venös 62%, nativ 70%) ergaben jeweils schlechtere Ergebnisse.

Schlussfolgerung Mit der vorliegenden Studie konnte gezeigt werden, dass mittels Radiomics-basierter CT-Analysen der histopathologische Tumorgrad klarzelliger Nierenzellkarzinome mit teilweise über 80% Accuracy vorhergesagt werden kann. Die besten Ergebnisse gelangen hierbei anhand kontrastmittelgestützter Aufnahmen. Es sind in Zukunft umfangreichere, multizentrische Studien notwendig, um noch bessere Radiomics-Modelle zu entwickeln und somit gegebenenfalls eine klinische Anwendung von Radiomics zu ermöglichen. Der Einsatz von Deep Learning könnte hierzu entscheidend beitragen.

Background The histopathologic tumor grade of clear cell renal cell carcinomas is currently determined after partial/radical nephrectomy or biopsy. Radiomics-based CT image data analysis might enable non-invasive assessment of tumor grade. Radiomics is based on the fact that changes at the microscopic level also manifest in structural, quantitatively measurable image data differences, which can be detected in radiological data sets and consequently related to clinical parameters.

Methods The CT images of 382 patients with 388 clear cell renal cell carcinomas were studied. Manual segmentation of the tumors was followed by extraction of 1221 quantitative image features. After feature selection based on reproducibility analysis, correlation analysis, and ANOVA, 4 features remained for unenhanced CT, 52 features for arterial CT, and 17 features for venous CT. Four machine learning models were trained for discrimination between low-grade (WHO/ISUP/Fuhrman G1), intermediate-grade (WHO/ISUP/Fuhrman G2-G3), and high-grade (WHO/ISUP/Fuhrman G4) tumors. This included a random forest model, a gradient boosting model, an L1/2 regularized regression model, and a k-nearest-neighbour model. Training of each model was performed separately for native, arterial, and venous CT.

Results The gradient boosting model (accuracy: arterial 77%, venous 81%, native 80%) and the random forest model (accuracy: arterial 86%, venous 83%, native 50%) achieved the best results in classifying tumor grade. The L1/2 regularized regression model (Accuracy: arterial 77%, venous 56%, native 80%) and the k-nearest-neighbor model (Accuracy: arterial 50%, venous 62%, native 70%) yielded comparatively worse results, respectively.

Conclusion The present study demonstrates that radiomics-based CT analysis can predict the histopathological grade of clear cell renal cell carcinoma with more than 80% accuracy. The best results were obtained using contrast-enhanced images. In the future, however, more extensive, multicenter studies are needed to further improve radiomics models and pave the way for translation to clinical practice. In this process, deep learning could play a crucial role.