nach oben

Die Radiologie

Erschienen in:

10.12.2021 | Computertomografie | Leitthema

Potenzial von Radiomics und künstlicher Intelligenz in der Myelombildgebung

Entwicklung automatischer, umfassender, objektiver Skelettanalysen aus Ganzkörperbildgebungsdaten

verfasst von: Dr. med. Markus Wennmann, Jacob M. Murray

Erschienen in: Die Radiologie | Ausgabe 1/2022

Einloggen, um Zugang zu erhalten

Zusammenfassung

Klinisches/methodisches Problem

Das Multiple Myelom kann mit Prädisposition des Axialskeletts das gesamte Skelettsystem betreffen, folglich kommen Ganzkörperbildgebungsverfahren zum Einsatz. Bei der aktuellen Auswertung dieser komplexen Datensätze durch Radiologen kann nur ein Teil der tatsächlich enthaltenen Bildinformation erfasst und im Befund festgehalten werden.

Radiologische Standardverfahren

Je nach Fragestellung und Verfügbarkeit kommen Ganzkörperbildgebungen mittels Computertomographie (CT), Magnetresonanztomographie (MRT) oder Positronen-Emissions-Tomographie (PET) zur Anwendung und werden visuell durch Radiologen ausgewertet.

Methodische Innovation

Eine Kombination aus automatischer Skelettsegmentierung mittels künstlicher Intelligenz (KI) und nachfolgender Radiomics-Analyse jedes einzelnen Knochens hat das Potenzial, automatische, umfassende sowie objektive Skelettanalysen zu ermöglichen.

Leistungsfähigkeit

Für CT-Bildgebungen zeigen einige Algorithmen zur automatischen Skelettsegmentierung bereits vielversprechende Ergebnisse. Auch gibt es erste Arbeiten, die Zusammenhänge von Radiomics-Parametern des Knochens und Knochenmarks mit etablierten Krankheitsparametern oder dem Therapieansprechen andeuten.

Bewertung

KI- und Radiomics-Algorithmen zur automatischen Skelettanalyse aus Ganzkörperbildgebungen sind derzeit in einer frühen Entwicklungsphase.

Der Dice-Koeffizient (oder Dice-Ähnlichkeits-Koeffizient) ist ein statistisches Instrument, um die Ähnlichkeit zwischen zwei Datensätzen, in diesem Fall der Segmentierung des Algorithmus zum manuell segmentierten Goldstandard, zu messen. Er berechnet sich wie folgt: (2 * richtig-positiv)/(2 * richtig-positiv + falsch-positiv + falsch-negativ). Eine perfekte Überlappung von automatischer Segmentierung und Goldstandard-Segmentierung ergibt einen DICE-Koeffizienten von 1. Wenn vom Algorithmus gar kein Teil der Zielstruktur als solcher erkannt wurde, ergibt sich ein Dice-Koeffizient von 0.

Aerts HJWL, Velazquez ER, Leijenaar RTH et al (2014) Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun 5:4006CrossRef

Almeida SD, Santinha J, Oliveira FPM et al (2020) Quantification of tumor burden in multiple myeloma by atlas-based semi-automatic segmentation of WB-DWI. Cancer Imaging 20:6. https://doi.org/10.1186/s40644-020-0286-5CrossRefPubMedPubMedCentral

Althnian A, AlSaeed D, Al-Baity H et al (2021) Impact of dataset size on classification performance: an empirical evaluation in the medical domain. Appl Sci. https://doi.org/10.3390/app11020796CrossRef

Arabi H, Zaidi H (2016) Whole-body bone segmentation from MRI for PET/MRI attenuation correction using shape-based averaging. Med Phys 43:5848. https://doi.org/10.1118/1.4963809CrossRefPubMed

Ekert K, Hinterleitner C, Baumgartner K et al (2020) Extended texture analysis of non-enhanced whole-body MRI image data for response assessment in multiple myeloma patients undergoing systemic therapy. Cancers (Basel). https://doi.org/10.3390/cancers12030761CrossRef

He H, Garcia EA (2009) Learning from imbalanced data. IEEE Trans Knowl Data Eng 21:1263–1284. https://doi.org/10.1109/TKDE.2008.239CrossRef

Hillengass J, Usmani S, Rajkumar SV et al (2019) International myeloma working group consensus recommendations on imaging in monoclonal plasma cell disorders. Lancet Oncol 20:e302–e312. https://doi.org/10.1016/S1470-2045(19)30309-2CrossRefPubMed

Isensee F, Jaeger PF, Kohl SAA et al (2020) nnU-Net: a self-configuring method for deep learning-based biomedical image segmentation. Nat Methods. https://doi.org/10.1038/s41592-020-01008-zCrossRefPubMed

Jamet B, Morvan L, Nanni C et al (2021) Random survival forest to predict transplant-eligible newly diagnosed multiple myeloma outcome including FDG-PET radiomics: a combined analysis of two independent prospective European trials. Eur J Nucl Med Mol Imaging 48:1005–1015. https://doi.org/10.1007/s00259-020-05049-6CrossRefPubMed

10.

Klein A, Warszawski J, Hillengass J, Maier-Hein KH (2019) Automatic bone segmentation in whole-body CT images. Int J Comput Assist Radiol Surg 14:21–29. https://doi.org/10.1007/s11548-018-1883-7CrossRefPubMed

11.

Kumar SK, Rajkumar V, Kyle RA et al (2017) Multiple myeloma. Nat Rev Dis Primers 3:17046CrossRef

12.

Latifoltojar A, Boyd K, Riddell A et al (2021) Characterising spatial heterogeneity of multiple myeloma in high resolution by whole body magnetic resonance imaging: towards macro-phenotype driven patient management. Magn Reson Imaging 75:60–64. https://doi.org/10.1016/j.mri.2020.10.005CrossRefPubMed

13.

Lee YS, Hong N, Witanto JN et al (2021) Deep neural network for automatic volumetric segmentation of whole-body CT images for body composition assessment. Clin Nutr 40:5038–5046. https://doi.org/10.1016/j.clnu.2021.06.025CrossRefPubMed

14.

Liu J, Zeng P, Guo W et al (2021) Prediction of high-risk cytogenetic status in multiple myeloma based on magnetic resonance imaging: utility of radiomics and comparison of machine learning methods. J Magn Reson Imaging. https://doi.org/10.1002/jmri.27637CrossRefPubMedPubMedCentral

15.

Mackin D, Fave X, Zhang L et al (2015) Measuring computed tomography scanner variability of radiomics features. Invest Radiol 50:757–765. https://doi.org/10.1097/RLI.0000000000000180CrossRefPubMedPubMedCentral

16.

Merz M, Hielscher T, Mai EK et al (2019) Cystic transformation of focal lesions after therapy is associated with remission but adverse outcome in myeloma. Blood Cancer J 9:71. https://doi.org/10.1038/s41408-019-0235-3CrossRefPubMedPubMedCentral

17.

Murray JM, Kaissis G, Braren R, Kleesiek J (2019) A primer on radiomics. Radiologe. https://doi.org/10.1007/s00117-019-00617-wCrossRef

18.

Piraud M, Wennmann M, Kintzelé L et al (2019) Towards quantitative imaging biomarkers of tumor dissemination: a multi-scale parametric modeling of multiple myeloma. Med Image Anal. https://doi.org/10.1016/j.media.2019.07.001CrossRefPubMed

19.

Rajkumar SV, Dimopoulos MA, Palumbo A et al (2014) International myeloma working group updated criteria for the diagnosis of multiple myeloma. Lancet Oncol 15:e538–e548. https://doi.org/10.1016/S1470-2045(14)70442-5CrossRefPubMed

20.

Rasche L, Angtuaco EJ, Alpe TL et al (2018) The presence of large focal lesions is a strong independent prognostic factor in multiple myeloma. Blood 132:59–66. https://doi.org/10.1182/blood-2018-04-842880CrossRefPubMedPubMedCentral

21.

Rasche L, Chavan SS, Stephens OW et al (2017) Spatial genomic heterogeneity in multiple myeloma revealed by multi-region sequencing. Nat Commun 8:268. https://doi.org/10.1038/s41467-017-00296-yCrossRefPubMedPubMedCentral

22.

Reinert CP, Krieg E‑M, Bösmüller H, Horger M (2020) Mid-term response assessment in multiple myeloma using a texture analysis approach on dual energy-CT-derived bone marrow images—a proof of principle study. Eur J Radiol 131:109214. https://doi.org/10.1016/j.ejrad.2020.109214CrossRefPubMed

23.

Reinert CP, Krieg E, Esser M et al (2021) Role of computed tomography texture analysis using dual-energy-based bone marrow imaging for multiple myeloma characterization: comparison with histology and established serologic parameters. Eur Radiol 31:2357–2367. https://doi.org/10.1007/s00330-020-07320-8CrossRefPubMed

24.

Ronneberger O, Fischer P, Brox T (2015) U‑net: convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells WM, Frangi AF (Hrsg) Medical image computing and computer-assisted intervention—MICCAI 2015. Springer, Cham, S 234–241CrossRef

25.

Terao T, Machida Y, Narita K et al (2021) Total diffusion volume in MRI vs. total lesion glycolysis in PET/CT for tumor volume evaluation of multiple myeloma. Eur Radiol. https://doi.org/10.1007/s00330-021-07687-2CrossRefPubMed

26.

Wennmann M, Chmelik J, Bauer F et al (2021) P‑012: automatic bone marrow segmentation in whole-body magnetic resonance imaging: towards comprehensive, objective MRI-phenotypic bone marrow characterization in multiple myeloma. Clin Lymphoma Myeloma Leuk 21(S2):S45–S46. https://doi.org/10.1016/S2152-2650(21)02146-7CrossRef

27.

Wennmann M, Hielscher T, Kintzelé L et al (2021) Analyzing longitudinal wb-MRI data and clinical course in a cohort of former smoldering multiple myeloma patients: connections between MRI findings and clinical progression patterns. Cancers (Basel). https://doi.org/10.3390/cancers13050961CrossRef

28.

Wennmann M, Kintzelé L, Piraud M et al (2018) Volumetry based biomarker speed of growth: quantifying the change of total tumor volume in whole-body magnetic resonance imaging over time improves risk stratification of smoldering multiple myeloma patients. Oncotarget 9:25254–25264. https://doi.org/10.18632/oncotarget.25402CrossRefPubMedPubMedCentral

29.

Wennmann M, Klein A, Bauer F et al (2021) P‑018: automatic analysis of magnetic resonance imaging in multiple myeloma patients: deep-learning based pelvic bone marrow segmentation and radiomics analysis for prediction of plasma cell infiltration. Clin Lymphoma Myeloma Leuk 21(S2):S49. https://doi.org/10.1016/S2152-2650(21)02152-2CrossRef

30.

Wennmann M, Thierjung H, Bauer F et al (2022) Repeatability and reproducibility of ADC measurements and MRI signal intensity measurements of bone marrow in monoclonal plasma cell disorders: a prospective bi-institutional multi-scanner, multi-protocol study. Invest Radiol. https://doi.org/10.1097/RLI.0000000000000838CrossRef

31.

Zhang C, Bengio S, Hardt M et al (2021) Understanding deep learning (still) requires rethinking generalization. Commun ACM 64:107–115. https://doi.org/10.1145/3446776CrossRef

32.

Zhang L, Wang Q, Wu X et al (2020) Baseline bone marrow ADC value of diffusion-weighted MRI: a potential independent predictor for progression and death in patients with newly diagnosed multiple myeloma. Eur Radiol. https://doi.org/10.1007/s00330-020-07295-6CrossRefPubMedPubMedCentral

Titel: Potenzial von Radiomics und künstlicher Intelligenz in der Myelombildgebung
Entwicklung automatischer, umfassender, objektiver Skelettanalysen aus Ganzkörperbildgebungsdaten
verfasst von: Dr. med. Markus Wennmann
Jacob M. Murray
Publikationsdatum: 10.12.2021
Verlag: Springer Medizin
Schlagwörter: Computertomografie
Multiples Myelom
Positronen-Emissions-Tomografie
Computertomografie
Künstliche Intelligenz
Erschienen in: Die Radiologie / Ausgabe 1/2022
Print ISSN: 2731-7048
Elektronische ISSN: 2731-7056
DOI: https://doi.org/10.1007/s00117-021-00940-1

Neu im Fachgebiet Radiologie

18.04.2024 | Pädiatrische Notfallmedizin | Nachrichten

Update Radiologie

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

Newsletter bestellen

Springer Medizin

Potenzial von Radiomics und künstlicher Intelligenz in der Myelombildgebung

Entwicklung automatischer, umfassender, objektiver Skelettanalysen aus Ganzkörperbildgebungsdaten

Zusammenfassung

Klinisches/methodisches Problem

Radiologische Standardverfahren

Methodische Innovation

Leistungsfähigkeit

Bewertung

Neu im Fachgebiet Radiologie

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

„Nur wer sich gut aufgehoben fühlt, kann auch für Patientensicherheit sorgen“

Wie toxische Männlichkeit der Gesundheit von Männern schadet

Studie bestätigt Potenzial von KI in der Radiologie

Update Radiologie

Springer Medizin

Zusammenfassung

Klinisches/methodisches Problem

Radiologische Standardverfahren

Methodische Innovation

Leistungsfähigkeit

Bewertung

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

Weitere Artikel der Ausgabe 1/2022

Nutzen der Radioonkologie beim solitären Plasmozytom oder multiplen Myelom

Raumforderung des pankreatoduodenalen Übergangs nach stumpfem Bauchtrauma beim jugendlichen Patienten

Was ist neu in der radiologischen Diagnostik des multiplen Myeloms?

Multiples Myelom aus Sicht der Pathologie

Multiples Myelom auf dem Weg zur Heilung? Ein klinisches Update

Mitteilungen des Berufsverbandes der Deutschen Radiologen

Neu im Fachgebiet Radiologie

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

„Nur wer sich gut aufgehoben fühlt, kann auch für Patientensicherheit sorgen“

Wie toxische Männlichkeit der Gesundheit von Männern schadet

Studie bestätigt Potenzial von KI in der Radiologie

Update Radiologie