Titel: | Discordant and Converting Receptor Expressions in Brain Metastases from Breast Cancer: MRI-Based Non-Invasive Receptor Status Tracking | Sonstige Titel: | Diskordante und konvertierende Rezeptorexpressionen in Hirnmetastasen von Brustkrebs: MRT Radiomics-basierte nicht-invasive Bestimmung des Rezeptorstatus | Sprache: | mehrsprachig | Autor*in: | Heitkamp, Alexander | Schlagwörter: | Radiomics; Machine Learning; breast cancer; artificial intelligence; receptor status prediction; Neuroradiology | GND-Schlagwörter: | Maschinelles LernenGND NeuroradiologieGND BrustkrebsGND MolekulargenetikGND MedizinGND |
Erscheinungsdatum: | 2023 | Tag der mündlichen Prüfung: | 2024-04-12 | Zusammenfassung: | Purpose: Es wird die Machbarkeit der Unterscheidung von histologischen Subtypen basierend auf dem Rezeptorstatus (ER, PR, HER) von Brustkrebs-Hirnmetastasen mithilfe von Radiomics MRT-Bildmerkmalen in binären Machine-Learning-Modellen für Patienten mit unbekanntem Rezeptorstatus zum Zeitpunkt der Diagnosestellung untersucht. Materialien und Methoden: Die retrospektive Analyse basiert auf Bilddaten von 412 Hirnmetastasen von 106 Patienten, die zwischen September 2007 und September 2021 gewonnen wurden. Einschlusskriterien waren: diagnostizierte zerebrale Metastasen von Brustkrebs; histopathologische Berichte über den Progesteron- (PR), Östrogen- (ER) und humanen epidermalen Wachstumsfaktor 2- (HER2) Rezeptorstatus; und Verfügbarkeit von MR-Bildgebungsdaten. Insgesamt wurden 3367 quantitative Merkmale von T1-kontrastverstärkten, T1-unverstärkten und FLAIR-Bildern und das entsprechende Patientenalter mit Hilfe von Random-Forest-Algorithmen bewertet. Als Bewertungsgrundlage wurde die Receiver-Operating-Characteristic Area-under-the-Curve (ROC AUC) verwendet. Die Bedeutung der einzelnen Merkmale wurde anhand von Gini-Impuritätsmaßen bewertet. Die Vorhersageleistung wurde mit 10 permutierten 5-fachen Kreuzvalidierungssätzen getestet, wobei die 30 wichtigsten Merkmale jedes Trainingssatzes verwendet wurden. Ergebnisse: Die Receiver-Operating-Characteristic Areas-under-the-Curve der Validierungssets betrugen 0,82 (95% Konfidenzintervall [0,78; 0,85]) für ER+, 0,73 [0,69; 0,77] für PR+ und 0,74 [0,70; 0,78] für HER2+ und unterscheiden sich signifikant von einer Zufallsverteilung. Schlussfolgerung: Durch den Einsatz von Machine-Learning-Techniken und der Analyse quantitativer Bildmerkmale aus Routine cMRT-Bildern ist es möglich, den Tumorrezeptorstatus von Hirnmetastasen bei Brustkrebspatienten mit hoher Genauigkeit vorherzusagen. Purpose: The feasibility of distinguishing histologic subtypes based on receptor status (ER, PR, HER) of breast cancer brain metastases using radiomics MR image features in binary machine learning models for patients with unknown receptor status at diagnosis is investigated. Materials and Methods: This retrospective analysis is based on 412 brain metastases samples from 106 patients acquired between 09/2007 and 09/2021. Inclusion criteria were as follows: diagnosed cerebral metastases from breast cancer; histopathology reports on progesterone (PR), estrogen (ER), and human epidermal growth factor 2 (HER2) receptor status; and availability of MR imaging data. In total, 3367 quantitative features of T1 contrast-enhanced, T1 non-enhanced, and FLAIR images and corresponding patient age were evaluated utilizing random forest algorithms. The receiver operating characteristic area under the curve (ROC AUC) was used as the basis for evaluation. Feature importance was assessed using Gini impurity measures. Predictive performance was tested using 10 permuted 5-fold cross-validation sets employing the 30 most important features of each training set. Results: Receiver operating characteristic areas under the curve of the validation sets were 0.82 (95% confidence interval [0.78; 0.85]) for ER+, 0.73 [0.69; 0.77] for PR+, and 0.74 [0.70; 0.78] for HER2+ and differ significantly from a random distribution. Conclusion: Observations indicate that MR image features employed in a machine learning classifier could provide high discriminatory accuracy in predicting the receptor status of brain metastases from breast cancer. |
URL: | https://ediss.sub.uni-hamburg.de/handle/ediss/10892 | URN: | urn:nbn:de:gbv:18-ediss-117564 | Dokumenttyp: | Dissertation | Betreuer*in: | Gellißen, Susanne Kniep, Helge C. |
Enthalten in den Sammlungen: | Elektronische Dissertationen und Habilitationen |
Dateien zu dieser Ressource:
Datei | Beschreibung | Prüfsumme | Größe | Format | |
---|---|---|---|---|---|
Dissertation_eingetragen.pdf | Dissertation Heitkamp, Alexander | c0bbf8cb03bbe258953aeca8b852a4b5 | 5.81 MB | Adobe PDF | Öffnen/Anzeigen |
Info
Seitenansichten
58
Letzte Woche
Letzten Monat
geprüft am 15.08.2024
Download(s)
56
Letzte Woche
Letzten Monat
geprüft am 15.08.2024
Werkzeuge