Skip to main content
Erschienen in:

23.01.2023 | Computertomografie | Leitthema

Bildgebende Diagnostik und der Einsatz von künstlicher Intelligenz beim Management von Organmetastasen

verfasst von: Nithya Bhasker, Felix Schön, Jens Peter Kühn, Stefanie Speidel

Erschienen in: Die Onkologie | Ausgabe 3/2023

Einloggen, um Zugang zu erhalten

Zusammenfassung

Die diagnostische Bildgebung spielt eine Schlüsselrolle bei der Erkennung des Primärtumors und möglicher Metastasen. Nach den aktuellen Leitlinien wird zu diesem Zweck die kontrastverstärkte Computertomographie (CT) eingesetzt sowie die Magnetresonanztomographie (MRT) als ergänzende Methode zur Beurteilung von Strukturen wie z. B. des Gehirns. Insbesondere die Differenzierung von Differenzialdiagnosen ist eine tägliche Herausforderung für die Radiologie. Der Einsatz von künstlicher Intelligenz (KI) zur Optimierung von Arbeitsabläufen, zur Unterstützung der Bildbefundung und zur Beurteilung des Therapieergebnisses im Hinblick auf die therapeutische Relevanz ist dringend erforderlich. Radiomics bezeichnet die computergestützte Extraktion und Analyse einer großen Anzahl von Merkmalen aus radiologischen Bildern mithilfe von KI. Zahlreiche Studien haben gezeigt, dass Radiomics die Entdeckung von bildgebenden Biomarkern für die Vorhersage von Behandlungsergebnissen bei Krebspatienten erleichtert. In diesem Zusammenhang ist eine interdisziplinäre Zusammenarbeit unerlässlich.
Literatur
1.
Zurück zum Zitat Aerts HJ, Velazquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, Hoebers F, Rietbergen MM, Leemans CR, Dekker A, Quackenbush J, Gillies RJ, Lambin P (2014) Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 5:4006. https://doi.org/10.1038/ncomms5006CrossRefPubMed Aerts HJ, Velazquez ER, Leijenaar RT, Parmar C, Grossmann P, Carvalho S, Bussink J, Monshouwer R, Haibe-Kains B, Rietveld D, Hoebers F, Rietbergen MM, Leemans CR, Dekker A, Quackenbush J, Gillies RJ, Lambin P (2014) Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 5:4006. https://​doi.​org/​10.​1038/​ncomms5006CrossRefPubMed
3.
Zurück zum Zitat Andrearczyk V, Fontaine P, Oreiller V, Castelli J, Jreige M, Prior JO, Depeursinge A (2021) Multi-task deep segmentation and radiomics for automatic prognosis in head and neck cancer. In: International workshop on PRedictive intelligence in MEdicine. Springer, Cham, S 147–156CrossRef Andrearczyk V, Fontaine P, Oreiller V, Castelli J, Jreige M, Prior JO, Depeursinge A (2021) Multi-task deep segmentation and radiomics for automatic prognosis in head and neck cancer. In: International workshop on PRedictive intelligence in MEdicine. Springer, Cham, S 147–156CrossRef
4.
Zurück zum Zitat Andrearczyk V, Oreiller V, Jreige M, Castelli J, Prior JO, Depeursinge A (2022) Segmentation and classification of head and neck nodal metastases and primary tumors in PET/CT. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, S 4731–4735 https://doi.org/10.1109/EMBC48229.2022.9871907CrossRef Andrearczyk V, Oreiller V, Jreige M, Castelli J, Prior JO, Depeursinge A (2022) Segmentation and classification of head and neck nodal metastases and primary tumors in PET/CT. Annual International Conference of the IEEE Engineering in Medicine and Biology Society, S 4731–4735 https://​doi.​org/​10.​1109/​EMBC48229.​2022.​9871907CrossRef
8.
Zurück zum Zitat Delgado A, Guddati AK (2021) Clinical endpoints in oncology—a primer. Am J Cancer Res 11(4):1121–1131PubMedPubMedCentral Delgado A, Guddati AK (2021) Clinical endpoints in oncology—a primer. Am J Cancer Res 11(4):1121–1131PubMedPubMedCentral
12.
Zurück zum Zitat Fontaine P, Andrearczyk V, Oreiller V, Castelli J, Jreige M, Prior JO, Depeursinge A (2021) Fully automatic head and neck cancer prognosis prediction in PET/CT. In: International workshop on multimodal learning for clinical decision support. Springer, Cham, S 59–68CrossRef Fontaine P, Andrearczyk V, Oreiller V, Castelli J, Jreige M, Prior JO, Depeursinge A (2021) Fully automatic head and neck cancer prognosis prediction in PET/CT. In: International workshop on multimodal learning for clinical decision support. Springer, Cham, S 59–68CrossRef
15.
Zurück zum Zitat Granata V, Fusco R, de Lutio di Castelguidone E, Avallone A, Palaia R, Delrio P, Tatangelo F, Botti G, Grassi R, Izzo F, Petrillo A (2019) Diagnostic performance of gadoxetic acid-enhanced liver MRI versus multidetector CT in the assessment of colorectal liver metastases compared to hepatic resection. BMC Gastroenterol 19(1):129. https://doi.org/10.1186/s12876-019-1036-7CrossRefPubMedPubMedCentral Granata V, Fusco R, de Lutio di Castelguidone E, Avallone A, Palaia R, Delrio P, Tatangelo F, Botti G, Grassi R, Izzo F, Petrillo A (2019) Diagnostic performance of gadoxetic acid-enhanced liver MRI versus multidetector CT in the assessment of colorectal liver metastases compared to hepatic resection. BMC Gastroenterol 19(1):129. https://​doi.​org/​10.​1186/​s12876-019-1036-7CrossRefPubMedPubMedCentral
18.
Zurück zum Zitat Heuvelmans MA, Ooijen PMA van, Ather S, Silva CF, Han D, Heussel CP, Hickes W, Kauczor HU, Novotny P, Peschl H, Rook M, Rubtsov R, Stackelberg O von, Tsakok MT, Arteta C, Declerck J, Kadir T, Pickup L, Gleeson F, Oudkerk M (2021) Lung cancer prediction by Deep Learning to identify benign lung nodules. Lung cancer (Amsterdam, Netherlands) 154:1–4. https://doi.org/10.1016/j.lungcan.2021.01.027CrossRefPubMed Heuvelmans MA, Ooijen PMA van, Ather S, Silva CF, Han D, Heussel CP, Hickes W, Kauczor HU, Novotny P, Peschl H, Rook M, Rubtsov R, Stackelberg O von, Tsakok MT, Arteta C, Declerck J, Kadir T, Pickup L, Gleeson F, Oudkerk M (2021) Lung cancer prediction by Deep Learning to identify benign lung nodules. Lung cancer (Amsterdam, Netherlands) 154:1–4. https://​doi.​org/​10.​1016/​j.​lungcan.​2021.​01.​027CrossRefPubMed
19.
Zurück zum Zitat Homma Y, Endo I, Matsuyama R, Sho M, Mizuno S, Seyama Y, Hirano S, Aono T, Kitami C, Morita Y, Takeda Y, Yoshida K, Tani M, Kaiho T, Yamamoto Y, Aoki H, Ogawa M, Niguma T, Mataki Y, Kawasaki H, Yamamoto M (2022) Outcomes of lung metastasis from pancreatic cancer: A nationwide multicenter analysis. J Hepato Biliary Pancreat 29(5):552–561. https://doi.org/10.1002/jhbp.1127CrossRef Homma Y, Endo I, Matsuyama R, Sho M, Mizuno S, Seyama Y, Hirano S, Aono T, Kitami C, Morita Y, Takeda Y, Yoshida K, Tani M, Kaiho T, Yamamoto Y, Aoki H, Ogawa M, Niguma T, Mataki Y, Kawasaki H, Yamamoto M (2022) Outcomes of lung metastasis from pancreatic cancer: A nationwide multicenter analysis. J Hepato Biliary Pancreat 29(5):552–561. https://​doi.​org/​10.​1002/​jhbp.​1127CrossRef
27.
Zurück zum Zitat Leger S, Zwanenburg A, Pilz K, Lohaus F, Linge A, Zöphel K, Kotzerke J, Schreiber A, Tinhofer I, Budach V, Sak A, Stuschke M, Balermpas P, Rödel C, Ganswindt U, Belka C, Pigorsch S, Combs SE, Mönnich D, Zips D, Richter C (2017) A comparative study of machine learning methods for time-to-event survival data for radiomics risk modelling. Sci Rep 7(1):13206. https://doi.org/10.1038/s41598-017-13448-3CrossRefPubMedPubMedCentral Leger S, Zwanenburg A, Pilz K, Lohaus F, Linge A, Zöphel K, Kotzerke J, Schreiber A, Tinhofer I, Budach V, Sak A, Stuschke M, Balermpas P, Rödel C, Ganswindt U, Belka C, Pigorsch S, Combs SE, Mönnich D, Zips D, Richter C (2017) A comparative study of machine learning methods for time-to-event survival data for radiomics risk modelling. Sci Rep 7(1):13206. https://​doi.​org/​10.​1038/​s41598-017-13448-3CrossRefPubMedPubMedCentral
35.
Zurück zum Zitat Neri E, Bali MA, Ba-Ssalamah A, Boraschi P, Brancatelli G, Alves FC, Grazioli L, Helmberger T, Lee JM, Manfredi R, Martì-Bonmatì L, Matos C, Merkle EM, Op De Beeck B, Schima W, Skehan S, Vilgrain V, Zech C, Bartolozzi C (2016) ESGAR consensus statement on liver MR imaging and clinical use of liver-specific contrast agents. Eur Radiol 26(4):921–931. https://doi.org/10.1007/s00330-015-3900-3CrossRefPubMed Neri E, Bali MA, Ba-Ssalamah A, Boraschi P, Brancatelli G, Alves FC, Grazioli L, Helmberger T, Lee JM, Manfredi R, Martì-Bonmatì L, Matos C, Merkle EM, Op De Beeck B, Schima W, Skehan S, Vilgrain V, Zech C, Bartolozzi C (2016) ESGAR consensus statement on liver MR imaging and clinical use of liver-specific contrast agents. Eur Radiol 26(4):921–931. https://​doi.​org/​10.​1007/​s00330-015-3900-3CrossRefPubMed
42.
Zurück zum Zitat Ronneberger O, Fischer P, Brox T (2015) U‑net: Convolutional networks for biomedical image segmentation. In: International conference on medical image computing and computer-assisted intervention. Springer, Cham, S 234–241 Ronneberger O, Fischer P, Brox T (2015) U‑net: Convolutional networks for biomedical image segmentation. In: International conference on medical image computing and computer-assisted intervention. Springer, Cham, S 234–241
44.
Zurück zum Zitat Segal E, Sirlin CB, Ooi C, Adler AS, Gollub J, Chen X, Chan BK, Matcuk GR, Barry CT, Chang HY, Kuo MD (2007) Decoding global gene expression programs in liver cancer by noninvasive imaging. Nat Biotechnol 25(6):675–680. https://doi.org/10.1038/nbt1306CrossRefPubMed Segal E, Sirlin CB, Ooi C, Adler AS, Gollub J, Chen X, Chan BK, Matcuk GR, Barry CT, Chang HY, Kuo MD (2007) Decoding global gene expression programs in liver cancer by noninvasive imaging. Nat Biotechnol 25(6):675–680. https://​doi.​org/​10.​1038/​nbt1306CrossRefPubMed
45.
Zurück zum Zitat Shahzadi I, Zwanenburg A, Lattermann A, Linge A, Baldus C, Peeken JC, Combs SE, Diefenhardt M, Rödel C, Kirste S, Grosu AL, Baumann M, Krause M, Troost EGC, Löck S (2022) Analysis of MRI and CT-based radiomics features for personalized treatment in locally advanced rectal cancer and external validation of published radiomics models. Sci Rep 12(1):10192. https://doi.org/10.1038/s41598-022-13967-8CrossRefPubMedPubMedCentral Shahzadi I, Zwanenburg A, Lattermann A, Linge A, Baldus C, Peeken JC, Combs SE, Diefenhardt M, Rödel C, Kirste S, Grosu AL, Baumann M, Krause M, Troost EGC, Löck S (2022) Analysis of MRI and CT-based radiomics features for personalized treatment in locally advanced rectal cancer and external validation of published radiomics models. Sci Rep 12(1):10192. https://​doi.​org/​10.​1038/​s41598-022-13967-8CrossRefPubMedPubMedCentral
46.
Zurück zum Zitat Siddique N, Paheding S, Elkin CP, Devabhaktuni V (2021) U‑net and its variants for medical image segmentation: a review of theory and applications. IEEE Access 9:82031–82057CrossRef Siddique N, Paheding S, Elkin CP, Devabhaktuni V (2021) U‑net and its variants for medical image segmentation: a review of theory and applications. IEEE Access 9:82031–82057CrossRef
47.
Zurück zum Zitat Starke S, Leger S, Zwanenburg A, Leger K, Lohaus F, Linge A, Schreiber A, Kalinauskaite G, Tinhofer I, Guberina N, Guberina M, Balermpas P, von der Grün J, Ganswindt U, Belka C, Peeken JC, Combs SE, Boeke S, Zips D, Richter C, Löck S (2020) 2D and 3D convolutional neural networks for outcome modelling of locally advanced head and neck squamous cell carcinoma. Sci Rep 10(1):15625. https://doi.org/10.1038/s41598-020-70542-9CrossRefPubMedPubMedCentral Starke S, Leger S, Zwanenburg A, Leger K, Lohaus F, Linge A, Schreiber A, Kalinauskaite G, Tinhofer I, Guberina N, Guberina M, Balermpas P, von der Grün J, Ganswindt U, Belka C, Peeken JC, Combs SE, Boeke S, Zips D, Richter C, Löck S (2020) 2D and 3D convolutional neural networks for outcome modelling of locally advanced head and neck squamous cell carcinoma. Sci Rep 10(1):15625. https://​doi.​org/​10.​1038/​s41598-020-70542-9CrossRefPubMedPubMedCentral
53.
Zurück zum Zitat Wangjam T, Zhang Z, Zhou XC, Lyer L, Faisal F, Soares KC, Fishman E, Hruban RH, Herman JM, Laheru D, Weiss M, Li M, De Jesus-Acosta A, Wolfgang CL, Zheng L (2015) Resected pancreatic ductal adenocarcinomas with recurrence limited in lung have a significantly better prognosis than those with other recurrence patterns. Oncotarget 6(34):36903–36910. https://doi.org/10.18632/oncotarget.5054CrossRefPubMedPubMedCentral Wangjam T, Zhang Z, Zhou XC, Lyer L, Faisal F, Soares KC, Fishman E, Hruban RH, Herman JM, Laheru D, Weiss M, Li M, De Jesus-Acosta A, Wolfgang CL, Zheng L (2015) Resected pancreatic ductal adenocarcinomas with recurrence limited in lung have a significantly better prognosis than those with other recurrence patterns. Oncotarget 6(34):36903–36910. https://​doi.​org/​10.​18632/​oncotarget.​5054CrossRefPubMedPubMedCentral
54.
Zurück zum Zitat Wrobel J, Martin ML, Bakshi R, Calabresi PA, Elliot M, Roalf D, Gur RC, Gur RE, Henry RG, Nair G, Oh J, Papinutto N, Pelletier D, Reich DS, Rooney WD, Satterthwaite TD, Stern W, Prabhakaran K, Sicotte NL, Shinohara RT, NAIMS Cooperative (2020) Intensity warping for multisite MRI harmonization. Neuroimage 223:117242. https://doi.org/10.1016/j.neuroimage.2020.117242CrossRefPubMed Wrobel J, Martin ML, Bakshi R, Calabresi PA, Elliot M, Roalf D, Gur RC, Gur RE, Henry RG, Nair G, Oh J, Papinutto N, Pelletier D, Reich DS, Rooney WD, Satterthwaite TD, Stern W, Prabhakaran K, Sicotte NL, Shinohara RT, NAIMS Cooperative (2020) Intensity warping for multisite MRI harmonization. Neuroimage 223:117242. https://​doi.​org/​10.​1016/​j.​neuroimage.​2020.​117242CrossRefPubMed
56.
Zurück zum Zitat Yachida S, Jones S, Bozic I, Antal T, Leary R, Fu B, Kamiyama M, Hruban RH, Eshleman JR, Nowak MA, Velculescu VE, Kinzler KW, Vogelstein B, Iacobuzio-Donahue CA (2010) Distant metastasis occurs late during the genetic evolution of pancreatic cancer. Nature 467(7319):1114–1117. https://doi.org/10.1038/nature09515CrossRefPubMedPubMedCentral Yachida S, Jones S, Bozic I, Antal T, Leary R, Fu B, Kamiyama M, Hruban RH, Eshleman JR, Nowak MA, Velculescu VE, Kinzler KW, Vogelstein B, Iacobuzio-Donahue CA (2010) Distant metastasis occurs late during the genetic evolution of pancreatic cancer. Nature 467(7319):1114–1117. https://​doi.​org/​10.​1038/​nature09515CrossRefPubMedPubMedCentral
58.
Zurück zum Zitat Zhou Z, Siddiquee MMR, Tajbakhsh N, Liang J (2018) UNet++: a nested U‑net architecture for medical image segmentation. Deep learning in medical image analysis and multimodal learning for clinical decision support. 4th International Workshop, DLMIA 2018, and 8th International Workshop, ML-CDS 2018, held in conjunction with MICCAI 2018, Granada, S 3–11 https://doi.org/10.1007/978-3-030-00889-5_1CrossRef Zhou Z, Siddiquee MMR, Tajbakhsh N, Liang J (2018) UNet++: a nested U‑net architecture for medical image segmentation. Deep learning in medical image analysis and multimodal learning for clinical decision support. 4th International Workshop, DLMIA 2018, and 8th International Workshop, ML-CDS 2018, held in conjunction with MICCAI 2018, Granada, S 3–11 https://​doi.​org/​10.​1007/​978-3-030-00889-5_​1CrossRef
59.
Zurück zum Zitat Zwanenburg A, Vallières M, Abdalah MA, Aerts HJWL, Andrearczyk V, Apte A, Ashrafinia S, Bakas S, Beukinga RJ, Boellaard R, Bogowicz M, Boldrini L, Buvat I, Cook GJR, Davatzikos C, Depeursinge A, Desseroit MC, Dinapoli N, Dinh CV, Echegaray S, Löck S (2020) The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology 295(2):328–338. https://doi.org/10.1148/radiol.2020191145CrossRefPubMed Zwanenburg A, Vallières M, Abdalah MA, Aerts HJWL, Andrearczyk V, Apte A, Ashrafinia S, Bakas S, Beukinga RJ, Boellaard R, Bogowicz M, Boldrini L, Buvat I, Cook GJR, Davatzikos C, Depeursinge A, Desseroit MC, Dinapoli N, Dinh CV, Echegaray S, Löck S (2020) The image biomarker standardization initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology 295(2):328–338. https://​doi.​org/​10.​1148/​radiol.​2020191145CrossRefPubMed
Metadaten
Titel
Bildgebende Diagnostik und der Einsatz von künstlicher Intelligenz beim Management von Organmetastasen
verfasst von
Nithya Bhasker
Felix Schön
Jens Peter Kühn
Stefanie Speidel
Publikationsdatum
23.01.2023
Verlag
Springer Medizin
Erschienen in
Die Onkologie / Ausgabe 3/2023
Print ISSN: 2731-7226
Elektronische ISSN: 2731-7234
DOI
https://doi.org/10.1007/s00761-022-01282-w

Weitere Artikel der Ausgabe 3/2023

Die Onkologie 3/2023 Zur Ausgabe

Einführung zum Thema

Metastasen

Neu im Fachgebiet Onkologie

Tisotumab-Vedotin verlängert Überleben nach Zervixkarzinom-Rezidiv

13.07.2024 Zervixkarzinom Nachrichten

Für Frauen mit rezidiviertem oder metastasiertem Zervixkarzinom und Versagen der Erstlinientherapie zeichnet sich eine Verbesserung der Behandlungsoptionen ab: Mit dem Antikörper-Wirkstoff-Konjugat Tisotumab-Vedotin überleben sie zwei Monate länger als mit einer Chemotherapie.

Was das Überwachen von Risikopersonen für Pankreaskrebs bringt

12.07.2024 Pankreaskarzinom Nachrichten

Programme zur Überwachung von Hochrisikokandidaten für duktales Adenokarzinom des Pankreas führen womöglich zu früherer Diagnose. Ob sich das auch in einem Überlebensvorteil niederschlägt, hat eine Studie getestet.

Prostatakarzinome der ISUP-Gruppe 1 nicht immer harmlos

11.07.2024 Prostatakarzinom Nachrichten

Nicht bei allen Prostatakarzinomen der Gleason-Graduierungsgruppe 1 kann man davon ausgehen, dass sie benigne sind. In einer Studie aus dem UKE Hamburg hatten auch in dieser Gruppe bestimmte Patienten ein deutlich erhöhtes Risiko für einen ungünstigen Verlauf.

Taugen Risikoscores für Schlaganfall und Blutungen auch bei Krebskranken?

Britische Registerdaten sprechen dafür, dass sich die Blutungsrisikoprädiktion bei Personen mit Vorhofflimmern, die zugleich an Krebs leiden, nicht einfach aus Kohorten ohne Krebs übertragen lässt.

Update Onkologie

Bestellen Sie unseren Fach-Newsletter und bleiben Sie gut informiert.