KI für Kopf-Hals-Krebs, behandelt mit adaptiver Radiotherapie (RadiomicART) (RadiomicArt)

Das Plattenepithelkarzinom des Kopfes und Halses (HNSCC) ist in Europa durch eine Inzidenz von 140.000 Neuerkrankungen pro Jahr gekennzeichnet, wobei die Überlebensraten nach 5 Jahren zwischen 25 und 65 % liegen.

Aktuelle klinische Behandlungsalgorithmen für HNSCC-Patienten beinhalten die Verwendung von Operation und / oder Strahlentherapie, abhängig vom Stadium der Erkrankung bei der Diagnose. Die radikale Strahlentherapie (RT), allein oder in Kombination mit einer systemischen Therapie, stellt gemäß den internationalen Leitlinien eine effektive Therapieoption dar.

Trotz der jüngsten technologischen Fortschritte auf dem Gebiet der Strahlentherapie entwickeln etwa 30-50 % der Patienten nach der Primärbehandlung von Kopf-Hals-Tumoren ein lokoregionäres Versagen. Obwohl die Entwicklung der Techniken der intensitätsmodulierten Strahlentherapie (IMRT) und der volumetrisch modulierten Lichtbogentherapie (VMAT) eine größere Dosiseinsparung bei gesundem Gewebe ermöglichte, stellt die strahleninduzierte Toxizität immer noch ein relevantes Problem dar, das sich auf die Lebensqualität von Krebspatienten auswirkt auch für längere Zeit nach der Behandlung.

Das kontinuierliche Bemühen um personalisierte Medizin hat das Ziel, die Ergebnisse der Patienten sowohl in Bezug auf die Krankheitskontrolle als auch auf das Toxizitätsmuster zu verbessern. Fortgeschrittene Bildgebungsmodalitäten scheinen eine wesentliche Rolle bei der Anpassung der Strahlenbehandlung zu spielen, wie durch den Einsatz von adaptiver Strahlentherapie (ART) und Radiomic gezeigt wird.

Mit ART meinen die Forscher die Anpassung der Tumorvolumina und der umgebenden Risikoorgane (OARs) an die Schrumpfung und Abmagerung des Patienten während der RT-Behandlung.

Die neuere Literatur zeigte, dass die Tumorschrumpfung bis zum Ende der RT-Behandlung 70 % erreichen kann und gleichzeitig OARs, wie Ohrspeicheldrüsen, ihre Größe um 7 bis 70 % reduzieren können. Diese Änderungen können, wenn sie nicht berücksichtigt werden, zu einer unerwarteten Verabreichung einer niedrigeren Dosis an den Tumor und einer höheren OAR-Dosis im Vergleich zu dem, was geplant war, führen.

Die adaptive Strahlentherapie (ART) umfasst Techniken, die das Wissen über patientenspezifische anatomische Variationen ermöglichen, die durch bildgeführte Strahlentherapien (IGRTs) in den Plan und die Optimierung der Dosisabgabe während des Behandlungsverlaufs einfließen. Das nach wie vor schwächste Glied in der Behandlungskette der Strahlentherapie bleibt die klinisch geleitete Target-Identifizierung.

Im Vergleich zu CT oder CBCT bietet die MRT eine überlegene Definition des Weichgewebes ohne damit verbundenes Strahlenrisiko. Die MRT identifiziert Ziele, die größer sind als im CT, da der Tumor, der sonst übersehen worden wäre, jetzt seenah ist; Am häufigsten wird jedoch berichtet, dass Ziele kleiner sind, wenn sie im MRT abgegrenzt werden. Das daraus resultierende kleinere MRT-abgeleitete Ziel verbessert das therapeutische Verhältnis und ermöglicht so eine Dosiseskalation. Die Verfügbarkeit „funktionaler“ MRI-Sequenzen verspricht, dass die geometrische Anpassung möglicherweise durch eine biologische Anpassung ergänzt wird. Die diffusionsgewichtete Bildgebung (DWI) ist eine funktionelle Bildgebungstechnik, die von der zufälligen Bewegung von Wassermolekülen abhängig ist, um einen Bildkontrast zu erzeugen. Da Tumore in der Regel eine größere Zellularität aufweisen als normales Gewebe, zeigen sie im MRT eine höhere Signalintensität, d. h. eine eingeschränkte Diffusion. Dies spiegelt sich im niedrigen mittleren scheinbaren Diffusionskoeffizienten (ADC) wider. Dies hat das Potenzial, sowohl qualitative als auch quantitative Informationen zu liefern. Die Änderung des ADC wurde verwendet, um ein frühes Ansprechen auf die Behandlung zu identifizieren und ein lokales Rezidiv vorherzusagen. Daher könnte das On-Board-DWI frühzeitig Non-Responder identifizieren, die von einer Änderung des Behandlungsansatzes profitieren könnten.

Radiomic ist die Extraktion quantitativer Merkmale aus medizinischen Bildern zur Charakterisierung der Tumorpathologie oder -heterogenität. Radiomische Merkmale, die aus medizinischen Bildern extrahiert wurden, können als Input-Merkmale verwendet werden, um ein maschinelles Lernmodell zu erstellen, das in der Lage ist, das Überleben vorherzusagen und die Behandlung dank seines Vorhersagewerts im Hinblick auf die Personalisierung der Therapie zu steuern.

Wir haben zuvor in einer retrospektiven Studie die qualitative Analyse der radiomischen Eigenschaften von Kopf-Hals-Tumorgeweben ausgewertet, um eine prädiktive Signatur der biologischen Eigenschaften des Tumors zu identifizieren. Die Forscher stratifizierten HNSCC-Patienten nach den signifikantesten radiomischen Merkmalen in Hoch- und Niedrigrisikogruppen für Rückfälle und Überleben nach Radiochemotherapie.

Die Kombination von ART und radiomischer Analyse könnte möglicherweise als weiterer Fortschritt in der Personalisierung onkologischer Behandlungen und insbesondere von Strahlenbehandlungen angesehen werden. Aus diesem Grund entwarf der Forscher das vorliegende Forschungsprojekt mit dem Ziel, einen auf maschinellem Lernen basierenden radiomischen Ansatz zur Vorhersage des Ergebnisses und der Toxizität von HNSCC-Patienten, die mit ART behandelt wurden, mittels CT, MRT und PET-Scan prospektiv zu evaluieren.