Vorhersage des PD-L1-Status von pulmonalen Adenokarzinomen anhand präoperativer CT-Bildgebung und KI-Verfahren
Prediction of PD-L1 status of pulmonalry adenocarcinomas using preoperative CT imaging and AI procedures
by Rebekka Maria Kewitsch
Date of Examination:2024-12-18
Date of issue:2024-11-12
Advisor:PD Dr. Johannes Uhlig
Referee:PD Dr. Johannes Uhlig
Referee:PD Dr. Achim Rittmeyer
Sponsor:Siemens Healthineers Deutschland
Persistent Address:
http://dx.doi.org/10.53846/goediss-10849
Files in this item
Name:Kewitsch_Rebekka_Dissertation_ohne_CV.pdf
Size:1.23Mb
Format:PDF
This file will be freely accessible after 2025-01-15.
Abstract
English
Lung cancer, particularly adenocarcinoma as the most common histological subtype, are one of the most frequent cancer diseases and show increasing incidence and high mortality. In recent years progress has been achieved in NSCLC therapy through the introduction of immune checkpoint inhibitors as targeted tumor therapy. Especially PD-L1 inhibitors are therapeutically relevant for pulmonary adenocarcinomas. However, their use depends on tumoral PD-L1 expression, which is specified as TPS. Currently the expression can only be determined by immunohistochemical examination of tumor material obtained by biopsy or surgery. Computertomography is part of the standard diagnostics for lung cancer. Therefore, this study investigated to what extent PD-L1 expression can be classified by pre-therapeutic CT scans and and an AI model. In this retrospective study radiomic features were extracted from 373 CT images of 273 patients with adenocarcinoma and histologically determined PD-L1 status using PyRadiomics. Using a LightGBM Machine Learning algorithm the extracted morphological aspects were correlated with the pathologically determined PD-L1 expressions. For the classification of TPS < 1% or ≥ 1% and TPS < 50% or ≥50% the Machine Learning model was trained and controlled using 10-fold cross-validation. The diagnostic performance of the model was evaluated by measuring the Area Under Curve (AUC) of the Receiver Operating Characteristic (ROC). For the classification of TPS < 1% or ≥ 1% the ML model yielded AUC scores of 0.66 ± 0.06 for the validation dataset and 0.58 ± 0.09 for the test dataset. The AUC scores were 0.73 ± 0.14 for the validation and 0.72 ± 0.16 for the test dataset when classifying lung tumors into TPS < 50% or ≥ 50%. The results suggest that certain image morphological patterns are recognizable in CT imaging of pulmonary adenocarcinomas which correlate with PD-L1 expression. However, the implemented ML model shows only moderate diagnostic accuracy for predicting PD-L1 expression and should be further optimized in future studies.
Keywords: lung cancer; CT imaging; PD-L1; artificial intelligence; adenocarcinoma; Machine Learning
German
Lungenkarzinome und hierunter insbesondere das Adenokarzinom als häufigster histologischer Subtyp sind eine der häufigsten Krebserkrankungen und weisen eine steigende Inzidenz und hohe Mortalität auf. Fortschritte in der NSCLC-Therapie wurden in den letzten Jahren durch die Einführung sogenannter Immuncheckpoint-Inhibitoren als zielgerichtete Tumortherapie erreicht. Für pulmonale Adenokarzinome sind hierunter insbesondere PD-L1-Inhibitoren therapeutisch relevant, deren Einsatz allerdings von der tumoralen PD-L1-Expression, angegeben als TPS, abhängig ist. Diese lässt sich derzeit nur durch immunhistochemische Untersuchungen an bioptisch oder chirurgisch gewonnenem Tumormaterial ermitteln. Die CT gehört zur Standarddiagnostik bei Lungenkarzinomen. Daher wurden in dieser Arbeit untersucht, inwieweit die PD-L1-Expression bereits durch prätherapeutische CT-Aufnahmen und ein KI-Modell klassifiziert werden kann. Retrospektiv wurden radiomische Daten aus 373 CT-Bildgebungen von 273 Patienten mit Adenokarzinom und histologisch ermitteltem PD-L1-Status mittels PyRadiomics extrahiert. Durch einen LightGBM-Machine-Learning-Algorithmus wurden die extrahierten morphologischen Aspekte mit den pathologisch ermittelten PD-L1-Expressionen korreliert. Das ML-Modell wurde mittels 10-facher Kreuzvalidierung für die Klassifikation TPS < 1 % und ≥ 1% bzw. TPS < 50 % und ≥50% trainiert und kontrolliert. Anhand der AUC der ROC wurde die diagnostische Leistungsfähigkeit des Modells bewertet. Das ML-Modell erreichte für die Klassifizierung in TPS < 1 % und ≥ 1 % AUC-Werte von 0,66 ± 0,06 für den Validierungsdatensatz und 0,58 ± 0,09 für den Testdatensatz. Die AUC-Werte lagen bei 0,73 ± 0,14 für den Validierungs- und 0,72 ± 0,16 für den Testdatensatz bei der Einteilung der Lungentumore in einen TPS < 50 % oder ≥ 50 %. Aus den Ergebnissen lässt sich schließen, dass in der CT-Bildgebung pulmonaler Adenokarzinome bildmorphologische Muster erkennbar sind, die mit der Expression von PD-L1 korrelieren. Das implementierte ML-Modell zeigt allerdings nur eine moderate diagnostische Genauigkeit für die Prädiktion der PD-L1-Expression und sollte in zukünftigen Studien weiter optimiert werden.
Schlagwörter: Computertomografie; Adenokarzinom; Lungenkarzinom; PD-L1; Künstliche Intelligenz; Maschinelles Lernen
