Einsatz des Maschinellen Lernens zur Vorhersage des Tumorrezidivs beim Hepatozellulären Karzinom

Einleitung: Das hepatozelluläre Karzinom (HCC) ist gekennzeichnet durch eine hohe Rezidivrate. Bis zu 80 % der Patient*innen erleiden ein Tumorrezidiv innerhalb der ersten fünf Jahre nach der Therapie. Oft verkompliziert sich dadurch der Krankheitsverlauf. Rezidive neigen zu einer aggressiveren Tumorbiologie und die Behandlungsmöglichkeiten sind begrenzt. Bekannte Risikofaktoren reichen oft nicht aus, um das individuelle Rückfallrisiko zu evaluieren. Zur Identifikation neuer Prädiktoren bietet die Analyse quantitativer Bildmerkmale aus bildgebenden Verfahren einen vielversprechenden Ansatz. Insbesondere in Kombination mit leistungsstarken Algorithmen des maschinellen Lernens kön- nen prädiktive Vorhersagemodelle entwickelt werden, die in der Lage sind, Hochrisikopatient*innen zu identifizieren. In dieser Arbeit wird ein Algorithmus entwickelt, der auf Basis prätherapeutischer magnetresonanztomografischer (MRT) Bildgebung, das Tumorrezidiv beim HCC vorhersagen soll. Methodik: Anhand definierter Ein- und Ausschlusskriterien wurden Patient*innen aus dem Krankenhausinformationssystem ausgewählt. Ein serieller Vorhersagealgorithmus – basierend auf VGG16 und XGboost - wurde entwickelt und getestet. Die Performance der trainierten Modelle wurde durch die Area-under-the-Receiver-Operating-Characteristics (AUC-ROC) -Kurve evaluiert. Ergebnisse: Insgesamt wurden 120 Patient*innen in die Studienkohorte aufgenommen. Basierend auf dem entwickelten Algorithmus wurden sechs Vorhersagemodelle trainiert und getestet. Jedes Modell prognostiziert das Rezidivrisiko innerhalb unterschiedlicher post-therapeutischer Intervalle (1 – 6 Jahre). Die AUC-Werte der Vorhersagemodelle lagen zwischen 0,71 und 0,85 (Durchschnitt: 0,76). Die Kaplan-Meier-Analyse zeigte für fünf der sechs Modelle einen statistisch signifikanten Unterschied. Diskussion: In dieser Arbeit wurde ein Algorithmus entwickelt, der das Tumorrezidiv des HCC anhand prätherapeutischer MRT-Bildgebung vorhersagt. Die AUC-ROC-Werte für alle untersuchten Intervalle waren zufriedenstellend. Es handelt sich bei dieser Arbeit jedoch lediglich um einen Machbarkeitsnachweis. Eine klinische Eignung sollte durch größere prospektiv-erhobene Datensätze an verschiedenen Institutionen validiert werden. Zudem bleiben ethische Fragen bzgl. des Einsatzes solcher Algorithmen in der Medizin offen.