Quantitative Bildauswertung Der übersehene Wert im Krebsscan

Anbieter zum Thema

Aerotech GmbH

KUMAVISION AG

Codialist GmbH

Ein Team am Institut Curie in Paris hat Hirndaten aus ¹⁸F-FDG-PET/CT-Aufnahmen automatisiert ausgewertet und einen Zusammenhang mit dem Gesamtüberleben bei fortgeschrittenem Lungenkrebs gefunden. Der medizintechnische Reiz: Die Zusatzinformation entsteht allein durch Software – ohne neuen Scan, weiteren Radiotracer oder zusätzliche Strahlenexposition.

Moderne Krebsdiagnostik nutzt die Positronen-Emissions-Tomographie (PET) in Kombination mit der Computertomographie (CT). Vor der Untersuchung erhält der Patient das radioaktiv markierte Glucoseanalogon ¹⁸F-Fluordesoxyglucose (¹⁸F-FDG) verabreicht:  Stoffwechselaktive Gewebe, dazu gehören auch Tumore, nehmen den Radiotracer auf - und werden detektierbar. Bei der Auswertung konzentriert man sich deshalb vor allem auf Primärtumor und Metastasen. Daten hierbei miterfasster Organe werden bislang kaum systematisch für prognostische Zwecke genutzt. 

An dieser Stelle setzt die Arbeit eines Teams um Julie Auriac vom Institut Curie im französischen Orsay an: Die Forschenden prüften, ob die ohnehin vorhandenen Bilddaten des Gehirns eine eigenständige Prognoseinformation enthalten. Als Maß diente der sogenannte Brain-SUVmean, also der über das gesamte Gehirn gemittelte standardisierte Aufnahmewert für ¹⁸F-FDG. SUV steht für „standardized uptake value“, einen semiquantitativen Wert, der die im Gewebe gemessene Aktivitätskonzentration unter Berücksichtigung der verabreichten Tracermenge und des Körpergewichts beschreibt.

Auswertung großer Datenmengen

Blick auf zentrale Details die retrospektive Studie: Die Forschenden werteten die Aufnahmen von 380 Patienten mit fortgeschrittenem nicht-kleinzelligem Lungenkarzinom aus. Alle hatten zwischen 2010 und 2023 vor Beginn der Behandlung eine ¹⁸F-FDG-PET/CT erhalten. Der Datensatz wurde chronologisch geteilt: 234 Fälle aus den Jahren 2010 bis 2018 bildeten den Entwicklungsdatensatz, 146 Fälle aus den Jahren 2019 bis 2023 den zeitlich getrennten Testdatensatz. 

Der technische Kern der Arbeit lag in einer automatisierten Auswertungskette. Das frei verfügbare, auf Deep Learning basierende Werkzeug "TotalSegmentator" (Vers 2.0.5) grenzte das Gehirn selbsttätig in den CT-Daten ab; dieser Vorgang wird als Segmentierung bezeichnet. Das berechnete Volumen wurde anschließend auf die räumlich zugeordneten PET-Daten übertragen, um daraus den Brain-SUVmean zu bestimmen.

Deep Learning als Schlüssel zum Erfolg

Die Tumorlast erfasste, wie Auriac et al. berichten, die ebenfalls frei verfügbare Software LION (Vers 0.14). Die Abkürzung steht für „Lesion Identification in Oncological Nuclear Imaging“. Das auf Deep Learning basierende Werkzeug segmentierte Tumorläsionen automatisch in den PET-Bildern. Für die weiteren Auswertungen wurden die Segmentierungen nachbearbeitet, indem nur Bildpunkte mit einem SUV von mindestens 4 berücksichtigt wurden. Bei 100 zufällig ausgewählten Patienten verglichen die Forschenden die automatische Auswertung mit einer fachlich erstellten Referenzsegmentierung.

 Das Ergebnis: Ein höherer Brain-SUVmean ging mit einem längeren Gesamtüberleben einher. Bei Patienten, die innerhalb eines Jahres starben, lag der mediane Wert bei 4,9; bei den nach einem Jahr noch lebenden Patienten betrug er 5,7. Der Zusammenhang blieb auch bestehen, nachdem weitere klinische, laborchemische und bildgebende Merkmale statistisch berücksichtigt worden waren. Der Brain-SUVmean erwies sich damit als unabhängiger Prognosefaktor. Der Befund bestätigte sich zudem im zeitlich getrennten Testdatensatz.

 Naheliegend ist die Frage, ob der Hirnwert lediglich widerspiegelt, wie weit die Krebserkrankung bereits fortgeschritten ist. Um das zu prüfen, verglichen die Forschenden den Brain-SUVmean mit rechnerisch gewonnenen Merkmalen der Tumorlast und Tumorausbreitung. Solche quantitativen Bildkennzahlen werden unter dem Begriff Radiomics zusammengefasst. Da der Hirnwert nur schwach mit diesen Merkmalen korrelierte, dürfte er zumindest teilweise andere Informationen erfassen. Zugleich zeigten sich bei den 110 Patienten mit verfügbaren Messwerten Zusammenhänge mit Blutmarkern, darunter dem C-reaktiven Protein, einem Marker für entzündliche Prozesse.

Einschränkung der Aussagekraft

Die Forschenden halten deshalb Zusammenhänge mit systemischen Entzündungsprozessen und dem funktionellen Allgemeinzustand für möglich. Ob und über welche biologischen Mechanismen die FDG-Aufnahme des Gehirns solche Einflüsse abbildet, sei aber noch zu klären.

So bemerkenswert der statistische Zusammenhang auch ist, für den klinischen Alltag reicht er noch nicht aus. Eine individuelle Vorhersage der Lebenserwartung erlaubt der Brain-SUVmean ebenso wenig wie konkrete Therapieempfehlungen. Die Studie war retrospektiv. Zwar wurden die Patienten am Institut Curie behandelt, die PET/CT-Aufnahmen entstanden jedoch in verschiedenen Zentren, auf unterschiedlichen Geräten und nach abweichenden Aufnahme- und Rekonstruktionsprotokollen.

 Diese Heterogenität verleiht dem Datensatz Praxisnähe, erlaubt aber keine Aussage darüber, ob der Messwert unabhängig von Gerät, Rekonstruktion und Aufnahmeprotokoll zuverlässig funktioniert. Die zeitlich getrennte Prüfgruppe ersetzt deshalb keine unabhängige externe Validierung. Für eine mögliche klinische Nutzung wären prospektive Studien, externe Patientenkohorten und eine systematische Prüfung möglicher Geräte- und Protokolleffekte erforderlich. Dabei müssten auch der Allgemeinzustand und weitere Einflussgrößen erfasst werden.

Bessere Ausschöpfung der Bilddaten

Für die Medizintechnik liegt der Reiz dennoch auf der Hand: Es geht um die bessere Ausschöpfung von Bilddaten, die längst vorliegen. Eine nachgeschaltete Softwareauswertung könnte aus einer bereits durchgeführten PET/CT einen zusätzlichen Bildmarker gewinnen, und zwar ohne weiteren Scan, zusätzlichen Radiotracer oder zusätzliche Strahlenexposition. Sollte eine solche Auswertung künftig mit einer medizinischen Zweckbestimmung zur Prognose oder klinischen Entscheidungsunterstützung angeboten werden, wäre sie vor ihrem Einsatz entsprechend zu validieren und regulatorisch als Medizinprodukt zu bewerten. Am Ende stünde dann nicht neue Hardware, sondern eine ergänzende Softwareauswertung, die einen bislang wenig beachteten Prognosemarker aus bestehenden PET/CT-Bilddaten erschließt.

Quelle
Auriac J, Lemoudda G, Hovhannisyan-Baghdasarian N, et al. Brain Metabolic Activity Measured by [18F]FDG PET/CT Predicts Survival in Patients with Advanced Non–Small Cell Lung Cancer. J Nucl Med. 2026;67(7):1041–1048. doi:10.2967/jnumed.125.271400.
 Methodische Softwaregrundlagen
-Wasserthal J, Breit HC, Meyer MT, et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol Artif Intell. 2023;5(5):e230024. doi:10.1148/ryai.230024.-Pires M, Gutschmayer S, Bergalla E, et al. Fully automated segmentation of [18F]FDG- and PSMA-PET/CT images via data-centric deep learning [Preprint]. Research Square. 2026. doi:10.21203/rs.3.rs-9407530/v2.