CT-basierte Radiomic Feature Analyse zur Unterscheidung von malignen und benignen Nierentumoren
CT-based radiomic feature analyses for discrimination of malignant and benign renal lesions
von Laura Delonge
Datum der mündl. Prüfung:2023-11-14
Erschienen:2023-11-10
Betreuer:PD Dr. Johannes Uhlig
Gutachter:PD Dr. Marianne Leitsmann
Gutachter:Prof. Dr. Ralf Dressel
Zum Verlinken/Zitieren:
http://dx.doi.org/10.53846/goediss-10183
Dateien
Name:Dissertation_Nierentumoren_LD_ediss.pdf
Size:1.27Mb
Format:PDF
Lizenzbestimmungen:
Zusammenfassung
Englisch
The renal cell carcinoma is the most common malignant tumor of the kidney, with approximately 15,000 new cases per year in Germany. The incidence of small kidney tumors with often benign characteristics has been increasing in recent years. Kidney tumors are often incidental findings and are discovered during abdominal imaging conducted for other reasons. This imaging is often not optimal for an accurate diagnosis. Radiological diagnostics provide important clues for distinguishing malignancy but often cannot deliver a definitive diagnosis, leading to most patients ultimately undergoing surgery. However, about 30% of the operated tumors are postoperatively classified as benign, resulting in over-treatment of affected patients. The use of Radiomics and machine learning algorithms is considered a possible alternative to the invasive and often insufficient diagnostics involving tumor biopsies. The goal of this work was the development of a predictive statistical model that can predict the malignancy of a kidney tumor based on CT images. Our retrospective study included 201 operated patients with the most common kidney tumor subtypes (clear cell, papillary, chromophobe renal cell carcinoma, oncocytoma, angiomyolipoma). The histopathological diagnosis was considered the gold standard. Kidney tumors were manually segmented based on preoperative computed tomography imaging, and 125 Radiomic features were calculated using the open-source program "3D-Slicer." Non-optimized computed tomography images from multiple centers were explicitly included to better represent the clinical reality. Machine learning algorithms were used to create a prediction of the malignancy of kidney tumors based on the calculated Radiomic features, with internal cross-validation, recursive feature selection, and SMOTE used. We were able to demonstrate that different machine learning algorithms achieved varying diagnostic accuracies. The best performance was achieved by a neural network algorithm, reaching a diagnostic accuracy (AUC, area-under-the-curve) of 78.9%. By including computed tomography data from different sources, a more realistic imaging approach was employed. In our opinion, this is one of the most critical aspects for implementing such an application into daily clinical practice. In the future, studies with larger patient cohorts will be necessary to improve the methodology. Additionally, a prospective approach should be pursued to assess a reduction in the number of surgeries and, consequently, a reduction in over-treatment.
Keywords: Machine learning; Computer tomography; artifical intelligence; renal cancer
Deutsch
Das Nierenzellkarzinom ist der häufigste maligne Tumor der Niere, mit etwa 15000 Neuerkrankungen pro Jahr in Deutschland. Die Inzidenz kleiner Nierentumoren mit häufig benigner Dignität ist in den letzten Jahren steigend. Nierentumoren sind häufig Zufallsbefunde und werden im Rahmen einer, aus anderen Gründen durchgeführten, Bildgebung des Abdomens entdeckt. Diese Bildgebung ist für eine korrekte Diagnose häufig nicht optimal. Die radiologische Diagnostik liefert wichtige Hinweise für eine Dignitätsunterscheidung, kann jedoch häufig keine eindeutige Diagnose liefern, so dass die meisten Patienten schlussendlich operiert werden. Jedoch werden etwa 30 % der operierten Tumoren postoperativ als benigne klassifiziert und die betroffenen Patienten somit übertherapiert. Der Einsatz von Radiomics und machine learning-Algorithmen wird als mögliche Alternative zur invasiven und oft unzureichenden Diagnostik mittels Tumorbiopsien angesehen. Unsere Studie schloss operierte Patienten mit den häufigsten Nierentumorsubtypen (klarzelliges-, papilläres-, chromophobes Nierenzellkarzinom, Onkozytom, Angiomyolipom) ein. Anhand einer präoperativen Computertomographie-Bildgebung wurden die Nierentumoren manuell segmentiert und Radiomics berechnet. Explizit wurden nicht-optimierte Computertomographie-Aufnahmen aus mehreren Zentren eingeschlossen, um die klinische Realität besser abzubilden. Mittels machine learning-Algorithmen wurde anhand der errechneten Radiomic Features eine Vorhersage über die Dignität der Nierentumoren erstellt, wobei interne Kreuzvalidierung, recursive feature selection und SMOTE zum Einsatz kamen. Wir konnten zeigen, dass verschiedenen machine learning-Algorithmen unterschiedliche diagnostische Genauigkeiten erzielten. Die beste Leistung wurde durch einen neural network-Algorithmus erzielt, der eine diagnostische Genauigkeit (AUC, area-under-the-curve) von 78,49 % erreichte. Die Stärken dieser Arbeit liegen zum einen in der Größe des Patientenkollektivs, da deutlich mehr Patienten eingeschlossen wurden als in vergleichbaren Studien. Des Weiteren ist die Studie multizentrisch. So wurde durch den Einschluss von Computertomographie-Daten unterschiedlicher Herkunft mit einer realitätsnahen Bildgebung gearbeitet. Dies ist unserer Meinung nach einer der wichtigsten Punkte für eine Implementierung einer solchen Anwendung in den Klinikalltag. Als Limitation ist der retrospektive Ansatz der Studie zu nennen. Auch das Einschlusskriterium einer Operation, wodurch Patienten mit eindeutig benignen Tumoren ausgeschlossen wurden, limitiert die generalisierte Anwendbarkeit des machine learning-Algorithmus. Perspektivisch werden Studien mit größeren Patientenkollektiven notwendig sein, um die Methodik zu verbessern. Auch sollte ein prospektiver Ansatz verfolgt werden, um eine Reduktion der Zahl an Operationen und damit eine Reduktion der Überversorgung beurteilen zu können.
Schlagwörter: Diagnostische Radiologie; Künstliche Intelligenz; Nierentumor; CT
