Der Einsatz von künstlicher Intelligenz zur Vorhersage von Rezidiven nach Resektion kolorektaler Lebermetastasen (AI-RECOLMET)

Kolorektales Karzinom (CRC) ist weltweit die dritthäufigste Krebsart und die vierthäufigste Ursache für krebsbedingte Todesfälle. Das Überleben wird hauptsächlich durch das Krankheitsstadium und das Vorhandensein von Metastasen bestimmt. Die Fünfjahresüberlebensrate bei Patienten mit metastasiertem CRC liegt bei 12-19 % im Vergleich zu 90 % bei Patienten mit lokal begrenzter Erkrankung, wobei Lebermetastasen bei kolorektalem Karzinom (CRLM) bei 30-50 % der CRC-Patienten auftreten und für zwei Drittel der CRC-bedingten Todesfälle verantwortlich sind. Jüngste Fortschritte in der Behandlung von CRLM haben das Gesamtüberleben (OS) der Patienten von 6 Monaten auf Fünfjahresüberlebensraten von 25-40 % erhöht. Die Kombination aus Chemotherapie und Leberresektion bleibt die therapeutische Option mit dem höchsten Überlebensvorteil für Patienten mit CRLM. Während die Chirurgie nach wie vor die einzige anerkannte potenziell kurative Behandlung darstellt, hat die moderne Chemotherapie, auch dank der Einführung biologischer Medikamente, zu einem besseren Ansprechen und höheren Überlebensraten bei Patienten mit Lebermetastasen geführt und trägt auch dazu bei, die Resektabilitätsrate zu erhöhen (d.h. die Anzahl der Patienten, die dank einer Zytoreduktion nach medikamentöser Therapie operabel werden).

Bis zu 30 % der Patienten können geheilt werden, wenn Metastasen in der Leber vollständig entfernt werden können (der medizinische Begriff dafür ist "Resektion"). Damit eine Operation in Betracht gezogen werden kann, muss eine onkologische Erkrankung aus technischer Sicht radikal resektabel sein. Gleichzeitig muss nach der Resektion eine ausreichende Menge an gesundem Lebergewebe zurückbleiben, um das Leben zu erhalten. Lokoregionale Therapien, einschließlich thermischer Ablation, Chemoembolisation und Strahlentherapie, werden ebenfalls zur Behandlung von CRLM-Patienten als Alternativen zur konventionellen kurativen Behandlung eingesetzt. Insbesondere kann die lokoregionale Behandlung von CRLM von der thermischen Ablation profitieren, sei es auf Radiofrequenz- oder Mikrowellenbasis. Tatsächlich kann die Ablation, auch wenn die Resektion die bevorzugte lokoregionale Behandlung für resektable Lebermetastasen bleibt, bei ausgewählten Patienten ähnliche Vorteile bieten und dazu beitragen, gesundes Leberparenchym zu schonen.

Trotz dieser bedeutenden Verbesserungen der Prognose wird ein großer Teil der Patienten (fast die Hälfte) dennoch ein Rezidiv nach der Kombination lokoregionaler Behandlungen erleiden. Mit der Verbesserung nicht-chirurgischer Therapien könnten Patienten, die ein Rezidiv erleiden, eine nicht-chirurgische Behandlung anstelle einer Resektion erhalten. Daher ist es von größter Bedeutung, die Behandlungsstrategie für Patienten auf der Grundlage einer genauen Schätzung der Prognose nach der Behandlung bestmöglich zu definieren, indem das perioperative Risiko von Morbidität/Mortalität mit dem Rezidivrisiko abgewogen wird. Die frühzeitige Identifizierung dieser rezidivierenden Patienten wäre entscheidend, um unnötige Operationen zu vermeiden oder sie pharmakologischen adjuvanten (d.h. postoperativen) Behandlungen zuzuweisen.

Die meisten Patienten mit CRLM durchlaufen präoperative Chemotherapieprogramme mit einer Ansprechwahrscheinlichkeit von etwa 60 % der Fälle. Die gesundheitlichen und biologischen Kosten von Chemotherapieprogrammen sind erheblich. Darüber hinaus existieren derzeit mehrere Chemotherapieregime, aber es fehlen Daten, die darauf hindeuten, welches Regime bei welchem Patienten wirksam ist. Die frühzeitige Identifizierung dieser ansprechenden Patienten wäre äußerst entscheidend, um unnötige Chemotherapiebehandlungen ohne klinischen Nutzen zu vermeiden und die Entscheidung zu leiten, sie einer pharmakologischen neoadjuvanten (d.h. präoperativen) Behandlung zuzuweisen oder nicht, sowie die Auswahl des adjuvanten Regimes. Umgekehrt ist es wichtig, frühzeitig zwischen Respondern und Non-Respondern zu unterscheiden, um den geeignetsten therapeutischen Ansatz auszuwählen.

Die klinischen Merkmale der Patienten und der Erkrankung sowie die radiologische Bildgebung haben sich als unverzichtbare Werkzeuge erwiesen, die helfen, das Ausmaß der Erkrankung zu bewerten, das Ansprechen auf die Behandlung zu beurteilen und Medikamententoxizitäten sowie Rezidive zu identifizieren. Einige Studien deuten darauf hin, dass Texturmerkmalanalysen Lebermetastasen quantitativ erkennen können, bevor sie für den Radiologen visuell erkennbar werden. Der Wert dieser konventionellen Faktoren allein für die Vorhersage der CRLM-Prognose ist jedoch begrenzt. In den letzten Jahren wurden multifaktorielle prognostische Scoring-Systeme als potenzielle Rezidivprädiktoren nach Leberresektion entwickelt, diese weisen jedoch noch Einschränkungen in der Anwendbarkeit, Sensitivität und Spezifität auf. Neue genaue prognostische Indikatoren bei Patienten mit CRLM werden dringend benötigt. Insbesondere besteht ein klinischer Bedarf, a priori Patienten zu identifizieren, die unterschiedliche Wahrscheinlichkeiten für die Entwicklung eines Krankheitsrezidivs nach lokoregionaler Behandlung (Leberresektion mit oder ohne thermische Ablation) und unterschiedliches Ansprechen auf die Chemotherapiebehandlung aufweisen, um eine risikobasierte Zuweisung zu Behandlungen und Ressourcen zu verfeinern. Wie bekannt, ist Künstliche Intelligenz (KI) ein Zweig der Informatik, der darauf abzielt, menschliche Intelligenz und Verhaltensweisen zu simulieren, um Menschen bei bestimmten Aufgaben zu unterstützen. Die weit verbreitete Digitalisierung des Gesundheitswesens erzeugt eine enorme Menge an Daten, und zusammen mit zugänglichem Hochleistungsrechnen können KI-Technologien angewendet werden, um aktuelle Einschränkungen bei der Schätzung von CRLM-Rezidiven und dem Ansprechen nach lokoregionalen und chemotherapeutischen Behandlungen zu überwinden und so eine feinere Zuweisung zu Behandlungen im Vergleich zur derzeitigen Praxis zu erreichen.

Die Computertomographie (CT) ist das Bildgebungsverfahren der Wahl für das Staging und die Nachsorge bei den meisten Patienten mit CRLM. Viele Faktoren können jedoch das Rezidiv und das OS beeinflussen. Zum Beispiel können bis zu 25 % der Läsionen unentdeckt bleiben. Eine Metaanalyse berichtete, dass die kontrastmittelverstärkte CT eine Sensitivität und Spezifität von 82 % bzw. 84 % für die Erkennung von Leberläsionen aufwies. Für Läsionen kleiner als 1 cm sinkt die Sensitivität jedoch auf 31-38 %. Die MRT ist die genaueste Modalität zur Erkennung von CRLM; sie wird in der Praxis jedoch typischerweise als sekundäres Werkzeug eingesetzt. Die MRT hat den Vorteil, Läsionen sogar kleiner als 10 mm erkennen und charakterisieren zu können, sowie keine Strahlengefahr darzustellen. Hepatozytenspezifische Kontrastmittel haben eine Sensitivität von 95 % für die Erkennung von Lebermetastasen.

Trotz ihres Wertes versagt die visuelle CT- und MRT-Auswertung bei der Beurteilung mikrostruktureller Veränderungen wie intra-läsionale Perfusions- oder nekrotische Veränderungen, die frühe Indikatoren für ein hohes Risiko eines lokalen Tumorprogresses sein könnten. Auch eine schlechte Bildqualität kann dazu führen, dass nicht alle Metastasen erkannt werden. Daher wächst das Interesse an der Verwendung KI-basierter Werkzeuge zur Optimierung der Bildqualität und der Nutzung quantitativer Bildgebung mit der Anwendung von Texturanalyse oder Radiomik. Radiomik besteht darin, eine große Menge quantitativer Merkmale aus medizinischen Bildern zu extrahieren und mit maschinellen Lernmodellen (ML) zu kombinieren, um klinische Endpunkte vorherzusagen. Kürzlich wurde Radiomik als prognostischer/prädiktiver Indikator für klinische Ergebnisse bei verschiedenen Tumorarten und Überlebensanalysen mit vielversprechenden Ergebnissen bei mit Mikrowellenablation behandelten CLRM untersucht. Es gibt jedoch nur wenige Belege für die Leber und für CRLM, und einige Studien deuten darauf hin, dass Texturmerkmalanalysen den Radiologen quantitativ dabei helfen können, klinische Ansätze zu modifizieren.

Alle radiomischen Merkmale können auch beim Training neuronaler Netze helfen, die darauf abzielen, Lebermetastasen zu erkennen, bevor sie für den Radiologen visuell erkennbar werden.

Daher zielt diese Studie darauf ab, zu bewerten, ob ein multifaktorielles (einschließlich klinischer und radiomischer) ML-Modell Patienten mit CRLM identifizieren kann, die ein hohes Risiko für ein Fortschreiten nach Chemotherapie und ein Rezidiv nach Leberresektion haben. Die Modellierungsphase wird auf S-RACE von D34Health stattfinden, basierend auf Azure Machine Learning auf Azure Cloud, und bietet nützliche Werkzeuge und Methoden, die für die Modellierung des Problems erforderlich sind, wie z.B. Compute-Instanzen und Modellierungswerkzeuge wie Jupyter Notebooks, kombiniert mit den integrierten Kollaborations- und Datenschutzwerkzeugen.

Darüber hinaus könnte der Mehrwert klinischer Daten genutzt werden, um klinische und kombinierte Modelle für eine bessere Ergebnisvorhersage zu erstellen.

Die Studie ist als beobachtende, retrospektive, monozentrische Studie konfiguriert. Betroffene Personen mit CRLM, die in unserem Krankenhausumfeld einer Leberresektion unterzogen wurden, werden gemäß den Einschlusskriterien ausgewählt.