nach oben

Die Radiologie

Erschienen in:

09.12.2019 | Künstliche Intelligenz | Leitthema

Wie funktioniert Radiomics?

verfasst von: Jacob M. Murray, Dr. Georgios Kaissis, PD Dr. Rickmer Braren, Dr. Dr. Jens Kleesiek

Erschienen in: Die Radiologie | Ausgabe 1/2020

Einloggen, um Zugang zu erhalten

Zusammenfassung

Klinisches Problem

Die reproduzierbare und umfassende Extraktion von Informationen aus radiologischen Bildern ist eine Kernaufgabe der Radiologie. Dynamische Entwicklungen im Bereich der künstlichen Intelligenz (KI) und des maschinellen Lernens stellen hierzu Methoden bereit. Radiomics ist eine solche Methode und bietet neue Möglichkeiten und Herausforderungen für die Zukunft der Radiologie.

Methodische Innovationen

Radiomics beschreibt die quantitative Auswertung, Interpretation und klinische Einordnung von bildmorphologischen Merkmalen in radiologischen Daten. Komponenten einer Radiomics-Analyse sind Datenakquisition, Datenvorverarbeitung, Datenmanagement, Segmentierung von relevanten Bildregionen, die Berechnung und Auswahl von quantitativen Bildmerkmalen sowie die Erstellung eines Radiomics-Modells, das diagnostisch und prognostisch genutzt werden kann. Diese Übersichtsarbeit erläutert diese Komponenten und soll einen zugänglichen Einstieg in das Forschungsfeld Radiomics bieten sowie bestehende Limitationen aufzeigen.

Material und Methoden

Diese Arbeit basiert auf einer selektiven Literaturrecherche mit der Suchmaschine PubMed.

Bewertung

Auch wenn Radiomics-Anwendungen bisher noch nicht im klinischen Alltag angekommen sind, wird die Quantifizierung radiologischer Daten durch Radiomics-Verfahren zukünftig weiter zunehmen. Dies birgt das Potenzial, die Fachrichtung nachhaltig zu verändern. Durch die erfolgreiche Auswertung aller Informationen, die in radiologischen Bildern enthalten sind, kann der nächste Schritt in Richtung einer personalisierten, zukunftsweisenden Medizin gegangen werden.

Aerts HJWL (2018) Data science in radiology: a path forward. Clin Cancer Res 24:532–534. https://doi.org/10.1158/1078-0432.CCR-17-2804 CrossRefPubMed

Aerts HJWL, Velazquez ER, Leijenaar RTH et al (2014) Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach. Nat Commun. https://doi.org/10.1038/ncomms5006 CrossRefPubMedPubMedCentral

Andreassen CN, Schack LMH, Laursen LV, Alsner J (2016) Radiogenomics—current status, challenges and future directions. Cancer Lett 382:127–136. https://doi.org/10.1016/j.canlet.2016.01.035 CrossRefPubMed

Baeßler B, Weiss K, Pinto Dos SD (2019) Robustness and reproducibility of radiomics in magnetic resonance imaging: a phantom study. Invest Radiol 54:221–228. https://doi.org/10.1097/RLI.0000000000000530 CrossRefPubMed

Bibault J‑E, Giraud P, Housset M et al (2018) Deep learning and radiomics predict complete response after neo-adjuvant chemoradiation for locally advanced rectal cancer. Sci Rep 8:12611. https://doi.org/10.1038/s41598-018-30657-6 CrossRefPubMedPubMedCentral

Bodalal Z, Trebeschi S, Nguyen-Kim TDL et al (2019) Radiogenomics: bridging imaging and genomics. Abdom Radiol 44:1960–1984. https://doi.org/10.1007/s00261-019-02028-w CrossRef

Choplin RH, Boehme JM, Maynard CD (1992) Picture archiving and communication systems: an overview. Radiographics 12:127–129. https://doi.org/10.1148/radiographics.12.1.1734458 CrossRefPubMed

3D Slicer. https://www.slicer.org/. Zugegriffen: 30. September 2019

Dyson F (2004) A meeting with Enrico Fermi. Nature 427:297. https://doi.org/10.1038/427297a CrossRefPubMed

10.

Gillies RJ, Kinahan PE, Hricak H (2015) Radiomics: images are more than pictures, they are data. Radiology 278:563–577. https://doi.org/10.1148/radiol.2015151169 CrossRefPubMed

11.

Götz M, Nolden M, Maier-Hein K (2019) MITK Phenotyping: an open-source toolchain for image-based personalized medicine with radiomics. Radiother Oncol 131:108–111. https://doi.org/10.1016/J.RADONC.2018.11.021 CrossRefPubMed

12.

van Griethuysen JJM, Fedorov A, Parmar C et al (2017) Computational radiomics system to decode the radiographic phenotype. Cancer Res 77:e104–e107. https://doi.org/10.1158/0008-5472.CAN-17-0339 CrossRefPubMedPubMedCentral

13.

He L, Huang Y, Ma Z et al (2016) Effects of contrast-enhancement, reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in solitary pulmonary nodule. Sci Rep. https://doi.org/10.1038/srep34921 CrossRefPubMedPubMedCentral

14.

Hosny A, Aerts HJ, Mak RH (2019) Handcrafted versus deep learning radiomics for prediction of cancer therapy response. Lancet Digit Health 1:e106–e107. https://doi.org/10.1016/S2589-7500(19)30062-7 CrossRefPubMed

15.

Hosny A, Parmar C, Coroller TP et al (2018) Deep learning for lung cancer prognostication: a retrospective multi-cohort radiomics study. PLoS Med 15:e1002711. https://doi.org/10.1371/journal.pmed.1002711 CrossRefPubMedPubMedCentral

16.

ITK-SNAP Home. http://www.itksnap.org/pmwiki/pmwiki.php. Zugegriffen: 30. September 2019

17.

Joint Imaging Platform. https://jip.dktk.dkfz.de/jiphomepage/. Zugegriffen: 30. September 2019

18.

Kleesiek J, Petersen J, Döring M et al (2016) Virtual raters for reproducible and objective assessments in radiology. Sci Rep 6:1–11. https://doi.org/10.1038/srep25007 CrossRef

19.

Kleesiek J, Murray JM, Strack C, Kaissis G, Braren R (2019) Wie funktioniert maschinelles Lernen? Radiologe. https://doi.org/10.1007/s00117-019-00616-x CrossRef

20.

Kreit E, Mäthger LM, Hanlon RT et al (2013) Biological versus electronic adaptive coloration: how can one inform the other? J R Soc Interface 10:20120601. https://doi.org/10.1098/rsif.2012.0601 CrossRefPubMedPubMedCentral

21.

Kumar V, Gu Y, Basu S et al (2012) Radiomics: the process and the challenges. Magn Reson Imaging 30:1234–1248. https://doi.org/10.1016/j.mri.2012.06.010 CrossRefPubMedPubMedCentral

22.

Lambin P, Rios-Velazquez E, Leijenaar R et al (2012) Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer 48:441–446. https://doi.org/10.1016/j.ejca.2011.11.036 CrossRefPubMedPubMedCentral

23.

Lao J, Chen Y, Li Z‑C et al (2017) A deep learning-based radiomics model for prediction of survival in glioblastoma multiforme. Sci Rep. https://doi.org/10.1038/s41598-017-10649-8 CrossRefPubMedPubMedCentral

24.

Li S, Wang K, Hou Z et al (2018) Use of radiomics combined with machine learning method in the recurrence patterns after intensity-modulated radiotherapy for nasopharyngeal carcinoma: a preliminary study. Front Oncol. https://doi.org/10.3389/fonc.2018.00648 CrossRefPubMedPubMedCentral

25.

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

26.

Nioche C, Orlhac F, Boughdad S et al (2018) LIFex: a freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Res 78:4786–4789. https://doi.org/10.1158/0008-5472.CAN-18-0125 CrossRefPubMed

27.

Owens CA, Peterson CB, Tang C et al (2018) Lung tumor segmentation methods: Impact on the uncertainty of radiomics features for non-small cell lung cancer. PLoS ONE. https://doi.org/10.1371/journal.pone.0205003 CrossRefPubMedPubMedCentral

28.

Park JE, Park SY, Kim HJ, Kim HS (2019) Reproducibility and generalizability in radiomics modeling: possible strategies in radiologic and statistical perspectives. Korean J Radiol 20:1124–1137. https://doi.org/10.3348/kjr.2018.0070 CrossRefPubMedPubMedCentral

29.

Parmar C, Grossmann P, Bussink J et al (2015) Machine learning methods for quantitative radiomic biomarkers. Sci Rep 5:13087. https://doi.org/10.1038/srep13087 CrossRefPubMedPubMedCentral

30.

Perrin T, Midya A, Yamashita R et al (2018) Short-term reproducibility of radiomic features in liver parenchyma and liver malignancies on contrast-enhanced CT imaging. Abdom Radiol N Y 43:3271–3278. https://doi.org/10.1007/s00261-018-1600-6 CrossRef

31.

Rizzo S, Botta F, Raimondi S et al (2018) Radiomics: the facts and the challenges of image analysis. Eur Radiol Exp 2:36. https://doi.org/10.1186/s41747-018-0068-z CrossRefPubMedPubMedCentral

32.

Rutman AM, Kuo MD (2009) Radiogenomics: creating a link between molecular diagnostics and diagnostic imaging. Eur J Radiol. https://doi.org/10.1016/j.ejrad.2009.01.050 CrossRefPubMed

33.

Segal E, Sirlin CB, Ooi C et al (2007) Decoding global gene expression programs in liver cancer by noninvasive imaging. Nat Biotechnol 25:675–680. https://doi.org/10.1038/nbt1306 CrossRefPubMed

34.

Shafiq-Ul-Hassan M, Zhang GG, Latifi K et al (2017) Intrinsic dependencies of CT radiomic features on voxel size and number of gray levels. Med Phys 44:1050–1062. https://doi.org/10.1002/mp.12123 CrossRefPubMed

35.

Sullivan DC, Obuchowski NA, Kessler LG et al (2015) Metrology standards for quantitative imaging biomarkers. Radiology 277:813–825. https://doi.org/10.1148/radiol.2015142202 CrossRefPubMed

36.

The Medical Imaging Interaction Toolkit (MITK) – mitk.org. http://mitk.org/wiki/MITK. Zugegriffen: 30. September 2019

37.

Xu Y, Hosny A, Zeleznik R et al (2019) Deep learning predicts lung cancer treatment response from serial medical imaging. Clin Cancer Res 25:3266–3275. https://doi.org/10.1158/1078-0432.CCR-18-2495 CrossRefPubMedPubMedCentral

38.

Zwanenburg A, Leger S, Vallières M, Löck S (2016) Image biomarker standardisation initiative

Titel: Wie funktioniert Radiomics?
verfasst von: Jacob M. Murray
Dr. Georgios Kaissis
PD Dr. Rickmer Braren
Dr. Dr. Jens Kleesiek
Publikationsdatum: 09.12.2019
Verlag: Springer Medizin
Schlagwort: Künstliche Intelligenz
Erschienen in: Die Radiologie / Ausgabe 1/2020
Print ISSN: 2731-7048
Elektronische ISSN: 2731-7056
DOI: https://doi.org/10.1007/s00117-019-00617-w

Update Radiologie

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

Newsletter bestellen

Springer Medizin

Wie funktioniert Radiomics?

Zusammenfassung

Klinisches Problem

Methodische Innovationen

Material und Methoden

Bewertung

Neu im Fachgebiet Radiologie

Akuter Schwindel: Wann lohnt sich eine MRT?

Screening-Mammografie offenbart erhöhtes Herz-Kreislauf-Risiko

S3-Leitlinie zu Pankreaskrebs aktualisiert

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

Update Radiologie

Springer Medizin

Zusammenfassung

Klinisches Problem

Methodische Innovationen

Material und Methoden

Bewertung

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

Weitere Artikel der Ausgabe 1/2020

Brave new world

Einsatz künstlicher Intelligenz für die Bildrekonstruktion

Patientenzufriedenheit beim niedergelassenen Radiologen

Mitteilungen des Berufsverbandes der Deutschen Radiologen

Dentale Röntgendiagnostik mit der Panoramaschichtaufnahme – Technik und typische Bildbefunde

Künstliche Intelligenz in der Radiologie

Neu im Fachgebiet Radiologie

Akuter Schwindel: Wann lohnt sich eine MRT?

Screening-Mammografie offenbart erhöhtes Herz-Kreislauf-Risiko

S3-Leitlinie zu Pankreaskrebs aktualisiert

Fünf Dinge, die im Kindernotfall besser zu unterlassen sind

Update Radiologie