FDG PET/CT als Prädiktor für Therapieansprechen und Überleben bei metastasiertem Melanom

Einleitung: Das maligne Melanom der Haut stellt eine häufige Krebs- und Todesursache weltweit dar. Dieses Malignom neigt zur raschen Dissemination und Metastasenbildung und die Prognose hängt essentiell mit dem Stadium bei Diagnosestellung zusammen. Daher ist ein möglichst genaues klinisches Staging, das heute auch mittels einer FDG PET/CT durchgeführt wird, von fundamentaler Bedeutung für das weitere Management des Patienten oder der Patientin. In diesem Zusammenhang wird heutzutage im zunehmenden Maße auf Texturanalysen Wert gelegt, da diese es schaffen die intratumorale Heterogenität nichtinvasiv darzustellen. Das Ziel dieser retrospektiven Studie war es die prädiktive Aussagekraft der FDG PET/CT bei malignem Melanom zu eruieren. Hierbei versuchte man Rückschlüsse auf unterschiedliche prädiktive Faktoren und auf mittels einer computergestützten Software extrahierten Bilddaten zu ziehen und deren Bedeutsamkeit für Überleben und Therapieansprechen mittels eines Machine Learning Algorithmus in Erfahrung zu bringen. Material und Methodik: Die Studienpopulation belief sich auf 127 Patientinnen und Patienten mit metastasiertem Melanom, welche im Zeitraum vom 01.01.2010 bis 31.12.2015 eine FDG PET/CT erhielten. Mittels einer computergestützten Software extrahierte Bilddaten sowie klinische Daten der Patientinnen und Patienten wurden erhoben und in einen Machine Learning Algorithmus eingespeist um mögliche prädiktive Parameter zu finden. Resultate: Für die Vorhersage des Therapieansprechens wurde eine SNS von 83%, eine Spezifität von 56%, einen PPV von 0.65, einen NPV von 0.77 und eine AUC von 0.69 ermittelt. Die Ergebnisse bezüglich OS fielen mit einer SNS von 69%, einer Spezifität von 54%, einem PPV von 0.60, einem NPV von 0.63 und einer AUC von 0.61 etwas niedriger aus. Conclusio: Die Extrahierung von FDG PET/CT-Bilddaten und die anschließende Auswertung mittels ML stellt einen vielversprechenden Ansatz da,, wobei sich in dieser ersten explorativen Analyse zeigt, dass metastasierte Krebserkrankungen wie das Melanom weiterhin eine Herausforderung darstellen. Hier steckt viel Potenzial in den neuen Ansätzen des Deep Learning.Topic: Malignant melanoma of the skin is a common cause of cancer and death worldwide. This malignancy is prone to rapid dissemination and metastasis. Its prognosis is essentially related to the stage of diagnosis. Therefore, an accurate clinical staging and additional information on tumor metabolism using FDG PET/CT is currently highly regarded. Lately, textural analysis and radiomics are becoming increasingly important as they potentially provide a non-invasive representation of intratumoral heterogeneity. The purpose of this retrospective study was to examine the predictive value of FDG PET/CT in malignant melanoma. The aim was to draw conclusions about different predictive factors and image date to evaluate their relevance for survival and therapy response by employing a machine learning (ML) algorithm. Data and Methods: The study population of this single-center retrospective analysis was 127 patients with metastatic melanoma who received a FDG PET/CT in the period form 01.01.2010 to 31.12.2015. Tumor lesions were delineated, their radiomic information extracted and subsequently fed into an ML algorithm to build a model based on radiomic and clinical information to predict overall survival (OS) and treatment response. Results: The prediction of therapy response reached a SNS of 83%, a specificity of 56%, a PPV of 0.65, a NPV of 0.77 and an AUC of 0.69. Results for the OS were slightly lower with 69% SNS, 54% specificity, 0.60 PPV, 0.63 NPV, and 0.61 AUC. Conclusion: The extraction of FDG PET/CT image data and the subsequent evaluation by means of ML represents a promising approach for the development of a prediction model to optimally treat future patients whom suffer of malignant melanoma. However, more studies are needed to further elucidate this matter.eingereicht von Oliver TrimmelAbweichender Titel laut Übersetzung der Verfasserin/des VerfassersMedizinische Universität Wien, Diplomarb., 2019(VLID)321265