Explorative analysis of retrospective data of 40 patients at the Division of Nuclear Medicine at the Medical University of Vienna: State of the art machine-learning driven image analysis of 18F-FDG-PET/CT in patients with pancreatic cancer.

Hintergrund: Das Pankreaskarzinom ist eine der tödlichsten bösartigen Erkrankungen mit einer Inzidenzrate, die fast der Mortalitätsrate entspricht. Trotz aller Bemühungen, es in einem frühen Stadium zu diagnostizieren, präsentieren sich über 50% der Patienten zum Zeitpunkt der Diagnose mit Metastasen, die 5-Jahres-Überlebensrate solcher Patienten 2,7% beträgt. Das FDG-PET/CT ist eine vorteilhafte Bildgebungsmodalität in der Diagnose von Pankreastumoren. Es besteht jedoch weiterhin ein Bedarf für bessere Prognose-Tools bei Patienten mit Pankreaskarzinom. Texturanalyse wurde noch nicht für die Überlebensvorhersage bei Pankreaskarzinom-Patienten verwendet und aktuelle radiologische sowie Laborparameter sind in Bezug auf die Überlebensvorhersage nach wie vor umstritten.^ ^ Ziel der Studie: Das Ziel dieser Studie war es, Supervised Machine Learning (ML)-basierte Überlebensmodelle für Pankreaskarzinom basierend auf FDG-PET/CT, demographischen und Labordaten zu etablieren. Materialen und Methoden: 82 Patienten mit suszipiertem oder diagnostiziertem Pankreaskarzinom wurden im Zeitraum von März 2009 bis April 2016 zu einer FDG-PET/CT-Untersuchung zugewiesen. Ausschlusskriterien waren die Notwendigkeit, sich einer Whipple-Operation zu unterziehen oder eine Behandlung mit Radio- oder Chemotherapie vor der ersten FDG-PET/CT. Nur 27 Patienten erfüllten die Einschlusskriterien. Die 18F-FDG-positiven Primärtumore wurden halbautomatisch auf PET/CT-Bilder in der Hybrid 3D HERMES Software deliniiert. Alle verfügbaren demographischen und Labordaten wurden eingeschlossen. Machine Learning Ansätze wurden verwendet, um relevante Merkmale und ihre Gewichte für die 18-Monats-Überlebensvorhersage zu identifizieren.^ Die Validierung der etablierten Modelle wurde basierend auf der Monte Carlo (MC)-Crossvalidierung durchgeführt. Ergebnisse: Die wichtigsten durch das Machine Learning ausgewählten und gewichteten Merkmale waren CT-Low Grey Level Zone Emphasis, CT-Sum Average GLCM und Kreatinin. Basierend auf MC-Crossvalidierung zeigte unsere ML-Analyse ohne CEA- und CA19-9 Werte eine Sensitivität von 75%, eine Spezifität von 68% und Area Under Curve (AUC) von 0,72. Wenn CEA- und CA 19-9-Werte in die ML-Analyse einbezogen wurden, waren die Sensitivität und Spezifität 71% bzw. 69% mit einer AUC von 0,70. Diskussion: Unsere Ergebnisse unterstützen die Verwendung von Supervised Machine Learning in der Überlebensvorhersage von Patienten mit Pankreaskarzinom basierend auf FDG-PET/CT, demografischen Daten und Laborparameter. Größere Patientenkohorten könnten jedoch zu besseren Ergebnissen führen.Background: Pancreatic cancer is one of the deadliest diseases, for which the incidence rates are almost equivalent to mortality rates. Despite all efforts to diagnose at its early stages, more than 50% of pancreatic cancer patients present with metastatic disease at the time of diagnosis in whom the 5 year-survival rate is only 2.7%. FDG-PET/CT is an advantageous imaging modality in diagnosis of pancreatic malignancies. However, there is still demand for better predictive tools in prognostication of pancreatic cancer patients. Textural analysis has not yet been applied to pancreatic cancer survival prediction and current contemporary radiological and laboratory parameters are still controversial in regards to predicting survival outcome. Aims of the study: The aim of this study was to establish supervised machine learning (ML) driven survival models for pancreatic cancer built on FDG-PET/CT, demographic and laboratory data.^ ^ Materials and Methods: 82 patients with suspected or diagnosed pancreatic cancer were referred to a FDG-PET/CT scan in the period of March 2009 and April 2016. Exclusion criteria included those who underwent Whipple operation, or prior treatment with radio- or chemotherapy before first FDG-PET/CT. 27 patients met the inclusion criteria. The 18F-FDG positive primary tumours were delinated semi-automatically on PET/CT images in the Hybrid 3D HERMES software. All available demographic and laboratory data were included. Machine learning approaches were utilized to identify relevant features and their weights for 18-month survival prediction. Validation of the established models was performed based on Monte Carlo (MC) cross-validation. Results: Most prominent machine learning selected and weighted features were CT-Low Grey Level Zone Emphasis, CT-Sum Average GLCM and Creatinine.^ Based on the MC cross-validation, the performance values of our ML analysis, without CEA and CA 19-9 values, were a sensitivity of 75%, a specificity of 68% and area under curve (AUC) of 0.72. When CEA and CA 19-9 values were included in ML execution, sensitivity and specificity were 71% and 69% respectively with AUC of 0.70. Conclusion: Our results support the use of supervised machine learning in survival prediction of pancreatic cancer patients based on FDG-PET/CT, demographic and laboratory parameters. However bigger patient cohorts may lead to improved performance parameters.eingereicht von Yesin BicanMedizinische Universität Wien, Diplomarb., 201