Radiomics-Algorithmus findet wichtigen Biomarker beim multiplen Myelom

Jul 05, 2023

4. August 2023 – Laut einer neuen Studie, die in Clinical Radiology veröffentlicht wurde, kann ein MRT-Radiomics-Algorithmus für maschinelles Lernen bei Patienten mit multiplem Myelom (MM) den Status der minimalen Resterkrankung (MRD) identifizieren, einen Biomarker, der mit einem längeren Überleben verbunden ist.

Eine Gruppe von Forschern unter der Leitung von X. Xiong vom First Affiliated Hospital der Soochow University in Jiangsu, China, trainierte einen Algorithmus für maschinelles Lernen, um Radiomics-Merkmale in T1-gewichteten T1-gewichteten Bildgebungs- und fettgesättigten T2-gewichteten Bildgebungssequenzen zu extrahieren und zu analysieren im MRT der Lendenwirbelsäule. Beim Testen ergab das leistungsstärkste Modell – ein SVM-Klassifikator (Linear Support Vector Machine) – eine Fläche unter der Kurve (AUC) für den MRD-Status von bis zu 0,8.

„Die lineare SVM-basierte Methode des maschinellen Lernens kann ein nichtinvasives Werkzeug zur Unterscheidung des MRD-Status bei MM bieten“, schreiben die Autoren.

MRS ist ein neuer Biomarker für MM und gilt als das stärkste Ansprechen auf die Behandlung von MM. Den Forschern zufolge haben aktuelle Radiomics-Studien Potenzial für die Vorhersage des zytogenetischen Hochrisikostatus und die Bewertung des Ansprechens auf die MM-Behandlung gezeigt. Allerdings wurden in beiden Studien kleine Datensätze verwendet.

In ihrer Studie wollten die Forscher die Möglichkeit der Unterscheidung des MRD-Status im MRT untersuchen und die besten Methoden des maschinellen Lernens zur Optimierung des klinischen Behandlungsplans ermitteln.

Die Forscher sammelten retrospektiv Daten von 83 neu diagnostizierten Patienten, die vor der Therapie eine Ganzkörper-MRT erhalten hatten. Davon wurden 59 für das Modelltraining verwendet und 24 für die Validierung der Algorithmen reserviert.

Radiomics-Modelle wurden auf der Grundlage von T1-gewichteten Bildgebungs- und fettgesättigten T2-gewichteten Bildgebungssequenzen unter Verwendung von fünf verschiedenen Klassifikatoren entwickelt: Random Forest, K-nächster Nachbar, naive Bayes, lineare SVM und radiale SVM. Nach der Durchführung einer logistischen Regressionsanalyse war das Knochenmark-Infiltrat-Verhältnis das einzige Merkmal, das für die Radiomics-Analyse beibehalten wurde.

Die Forscher trainierten außerdem ein traditionelles Modell basierend auf klinischen Daten, darunter Alter, Geschlecht, Stadium des International Staging System, Status der Fluoreszenz-in-situ-Hybridisierung (FISH), Serumproteinspiegel, Knochenmark-Infiltratverhältnis, Kalzium, Kreatinin und Albumin. Schließlich entwickelten sie ein kombiniertes Modell, das die Analyse sowohl radiomischer als auch klinischer Merkmale umfasst.

Im Validierungssatz ergab das lineare SVM-basierte Radiomics-Modell eine AUC von 0,708 auf den T1-gewichteten Bildern und eine AUC von 0,8 auf den fettgesättigten T2-gewichteten Bildern und übertraf damit das traditionelle Modell. Darüber hinaus ergab das kombinierte Modell keinen statistisch signifikanten Leistungsunterschied gegenüber dem Radiomics-Modell.

„Zusammenfassend zeigen die vorliegenden Ergebnisse die Leistungsfähigkeit der Radiomics-Analyse und des maschinellen Lernens der MRT, die den MRD-Status nach der Induktionsbehandlung genau unterscheiden können“, schlussfolgerten die Autoren. „Da die Forschung retrospektiv war, sind prospektive Studien und Analysen zu mehreren Zeitpunkten erforderlich, um die Fähigkeit dieser Methode zur Unterscheidung des MRD-Status weiter zu untersuchen.“

Die vollständige Studie finden Sie hier.