Assoziation genomischer Subtypen niedriggradiger Gliome mit durch einen Tiefenlernalgorithmus automatisch extrahierten Formmerkmalen

Eine jüngste Analyse hat unterschiedliche genomische Subtypen von niedriggradigen Gliomen identifiziert, die mit Formmerkmalen in Verbindung stehen. In dieser Studie schlagen wir eine vollautomatische Methode vor, um Tumorbildmerkmale unter Verwendung von tiefen Lernverfahren basierter Segmentierung zu quantifizieren und untersuchen, ob diese Merkmale die Vorhersage der genomischen Subtypen des Tumors ermöglichen. Wir nutzten präoperative Bild- und genomische Daten von 110 Patienten aus fünf Institutionen, die niedriggradige Gliome aufweisen, aus dem Krebsgenomatlas (The Cancer Genome Atlas). Basierend auf automatischen Segmentierungen durch tiefes Lernen extrahierten wir drei Merkmale, die zweidimensionale und dreidimensionale Eigenschaften der Tumoren quantifizieren. Die genomischen Daten für den analysierten Patientenkohorten bestanden aus zuvor identifizierten genomischen Clustern basierend auf IDH-Mutation und 1p/19q-Ko-Deletion, DNA-Methylierung, Genexpression, DNA-Copy-Number-Veränderungen und microRNA-Expression. Um das Verhältnis zwischen den Bildmerkmalen und den genomischen Clustern zu analysieren, führten wir für jedes Paar aus Bildmerkmal und genomischem Subtyp 10 Hypothesentests mit dem Fisher-Exakten Test durch. Um mehrfache Hypothesentests zu berücksichtigen, wendeten wir eine Bonferroni-Korrektur an. P-Werte unter 0,005 wurden als statistisch signifikant betrachtet. Wir fanden den stärksten Zusammenhang zwischen RNASeq-Clustern und dem Volumenverhältnis der umschließenden Ellipsoide ($p<0{,}0002$) sowie zwischen RNASeq-Clustern und der Randausprägung ($p<0{,}005$). Zudem identifizierten wir Zusammenhänge zwischen dem Volumenverhältnis der umschließenden Ellipsoide und allen getesteten molekularen Subtypen ($p<0{,}02$) sowie zwischen der Winkelstandardabweichung und dem RNASeq-Cluster ($p<0{,}02$). Was die automatische Tumorsegmentierung betrifft, die zur Generierung der quantitativen Bildmerkmale verwendet wurde, erreichte unser tiefes Lernverfahren einen mittleren Dice-Koeffizienten von 82 %, was sich mit menschlicher Leistung vergleichen lässt.