Bibliographic Metadata

Title
Retrospektive multiparametrische Analyse: [18F]FDG PET/CT als Prädiktor für das Therapieansprechen und Überleben bei Zervixkarzinom / eingereicht von Ojuna Batnasan
Additional Titles
Retrospective multiparametric analysis: [18F]-FDG PET/CT as a predictor of treatment response and survival in cervical cancer
AuthorBatnasan, Ojuna
Thesis advisorHaug, Alexander
Published2018
Description69 Blatt : Illustrationen
Institutional NoteMedizinische Universität Wien, Diplomarb., 2018
Annotation
Abweichender Titel laut Übersetzung der Verfasserin/des Verfassers
Date of SubmissionOctober 2018
LanguageGerman
Document typeThesis (Diplom)
Keywords (DE)PET/CT / Zervixkarzinom
Keywords (EN)PET/CT / cervical cancer
Restriction-Information
 The Document is only available locally
Links
Reference
Classification
Abstract (German)

Fragestellung:

Ziel dieser Studie war es relevante Merkmale aus der 2-Deoxy-2- (18F) -fluor-D-glucose-Positronen-Emissions-Tomographie/Computertomographie ([18F]FDG PET/CT) zu identifizieren, die mittels Auswertung eines Machine Learning Algorithmus (ML) prädiktive Aussagen über das Therapieansprechen und Überleben von Patienten mit Gebärmutterhalskrebs liefern.

Materialen und Methoden:

153 Patienten mit Zervixkarzinom, welche vor Behandlungsbeginn von 12/2008 bis 12/2015 eine positive [18F]FDG PET/CT aufwiesen, wurden in diese Analyse eingeschlossen. Die primären Tumoren wurden auf den PET-Bildern unter Verwendung von halbautomatisch generierten Volumes of Interest (VOIs) mit anschließender Merkmalsextraktion abgegrenzt.

Jeder Tumor wurde durch 119 Merkmale (49 für jeweils PET und CT; 14 Fusionsmerkmale) charakterisiert. Die Identifikation hochkorrelierender Merkmale wurde von einem iterativen ML-Algorithmus in einem mehrfachen Trainingsschema durchgeführt. Die ausgewählten Merkmale wurden im Vorhersagemodell durch Monte Carlo (MC) -Kreuzvalidierung bereitgestellt. In jeder MC-Validierung wurden acht ML-Analysen durchgeführt. Die endgültigen, durch den ML-Algorithmus bestimmten, Gewichtungen der Merkmale wurden extrahiert und die Wichtigsten aufgezeigt.

Ergebnisse:

Während der zumindest zweijährigen Nachbeobachtungsphase in der untersuchten Kohorte zeigte sich bei 24 Patienten ein Rezidiv und 36 Patienten starben. Das mediane Überleben lag dabei bei 39,4 Monaten. Bis zum Zeitpunkt der Fertigstellung dieser Arbeit konnten noch keine erfolgreichen Ergebnisse zur Prädiktion für das Überleben der Patienten erzielt werden. Jedoch wurden erfolgreiche Performance-Werte mit einer Area Under the Curve (AUC) von 78%, einer Sensitivität (SNS) von 70% und einer Spezifität (SPC) von 77% in der Prädiktion des Therapieansprechens gewonnen. Die drei am höchsten gewichteten Parameter für das klinische Therapieansprechen der Patienten waren das PET-basierte Strukturmerkmal Shape-Sperical Dice Coeffizient (19,37%), das klinische Lymphknoten-Stadium (NSTAGE)

(10,75%) und das klinische T-Stadium (3,07%).

Fazit:

Das mittels ML generierte Prädiktionsmodell auf Basis von [18F]FDG PET/CT - und klinischen Daten zeigte eine zufriedenstellende SNS von 70%, SPC von 77% sowie eine AUC von 78%. Das PET-basierte Strukturmerkmal „Shape-Sperical Dice Coeffizient“ sowie auch das klinische Lymphknoten- (NSTAGE) und T-Stadium (TSTAGE), welche mittels [18F]FDG PET/CT bestimmt wurden, erwiesen sich als die wichtigsten Einflussfaktoren dieses Prädiktionsmodells.

Abstract (English)

Aim:

The aim of this study was to identify relevant features on 2-deoxy-2- (18F) -fluoro-D-glucose Positron emission tomography/Computed tomography ([18F]FDG PET/CT) by using a machine learning algorithm (ML) to predict treatment response and survival of cervical cancer patients.

Materials and methods:

153 cervical cancer patients, who had a positive [18F]FDGPET/CT from 12/2008 to 12/2015 before treatment were included in this analysis. The primary tumours were delineated on the PET images using semi-automatic Volumes of Interest (VOIs) with followed feature extraction.

Each tumour was characterized by 119 features, 49 per modality (PET, CT) and 14 per fusion (PET+CT). The Identification of highly-correlating features was performed by an ensemble ML algorithm in a multi-fold training scheme. The selected features were provided in the predictive model by Monte Carlo (MC) cross validation. In each MC fold eight ML analysis were performed. The final feature weights determined by the ML algorithm were extracted and the most important ones were identified.

Results:

During the 2-year follow up time frame 24 patients had a recurrence and 36 died in the studied cohort. Mean Overall Survival was 39,4 months. Until the completion of this work, no successful prediction outcomes for patient survival could be achieved. However, successful performance values for Area Under the Curve (AUC) of 78%, Sensitivity (SNS) of 70% and Specificity (SPC) of 77% were achieved in the prediction of therapy response. The three highest weighted parameters for clinical response of the patients to the therapy were the PET- based textural feature Shape-Spherical dice coefficient (19,37%), the clinical lymph node-stage (NSTAGE) (10,75%) and the clinical T-stage (3,07%).

Conclusion:

The ML-generated prediction model based on [18F]FDG PET/CT and clinical data showed a satisfactory SNS of 70%, SPC of 77% and an AUC of 78%. The PET-based structural feature "Shape-Sperical Dice Coefficient" as well as the clinical lymph node (NSTAGE) and T-stage (TSTAGE), which were determined by [18F]FDG PET/CT, proved to be the most important influencing factors of this prediction model.