Smart Imaging Analysis zur Vorhersage des Chemotherapie-Ansprechens bei Knochenkrebs: Ein Patientenleitfaden zur Radiomik beim Osteosarkom

Inhaltsverzeichnis

• Wichtige Punkte
• Verständnis von Osteosarkom und seiner Behandlung
• Die Herausforderung der Vorhersage des Chemotherapie-Ansprechens
• Was ist Radiomik und wie funktioniert sie?
• Durchführung dieser Forschungsübersicht
• Wichtige Ergebnisse: Was die Studien zeigen
• MRI zeigt überlegene Fähigkeiten
• Klinische Implikationen: Was dies für Patienten bedeutet
• Studienbegrenzungen: Was diese Übersicht nicht beweisen konnte
• Empfehlungen für Patienten und Familien
• Häufig gestellte Fragen
• Quelleninformationen

Wichtige Punkte

• MRI-basierte Radiomik sagte das Ansprechen auf die neoadjuvante Chemotherapie beim Osteosarkom mit einer Genauigkeit von bis zu 93,8 % und einem AUC von 0,961 in einer Studie vorher.
• Radiomik extrahiert computergestützt analysierte Muster aus CT-, MRI- oder PET-Scans, die ≥90 % Tumornekrose vor der Operation vorhersagen können.
• Das Ansprechen auf die Chemotherapie wird derzeit nach der Operation bewertet; Radiomik zielt darauf ab, es früher vorherzusagen und so eine Personalisierung der Behandlung zu ermöglichen.
• Die meisten Radiomik-Studien hatten kleine Stichproben aus einzelnen Zentren, und die Methode ist für den routinemäßigen klinischen Einsatz noch nicht standardisiert.
• Die Radiomik von PET/CT in Kombination mit maschinellem Lernen verbesserte die Vorhersage, doch rohe PET-Merkmale schnitten in einer Studie allein schlecht ab.

Verständnis von Osteosarkom und seiner Behandlung

Osteosarkom ist der häufigste primäre bösartige Knochentumor und macht etwa 20 % aller primären bösartigen Knochentumoren aus. Es betrifft vor allem Kinder und Jugendliche, wobei die Metaphyse (das wachsende Ende) langer Knochen – wie des Oberschenkels oder des Schienbeins – der typische Ort ist, an dem sich der Krebs entwickelt.

Moderne Behandlungsstrategien haben die Ergebnisse erheblich verbessert. Die aktuelle 5-Jahres-Überlebensrate für Osteosarkom-Patienten liegt nun bei 60 %–70 %, was eine deutliche Verbesserung gegenüber früheren Jahrzehnten darstellt. Dieser Fortschritt ist largely auf den Standardbehandlungsansatz zurückzuführen, der drei Komponenten kombiniert:

• Neoadjuvante Chemotherapie (NAC) — Chemotherapie, die vor der Operation verabreicht wird, um den Tumor zu verkleinern
• Chirurgische Resektion — chirurgische Entfernung des Tumors
• Postoperative adjuvante Chemotherapie — zusätzliche Chemotherapie, die nach der Operation verabreicht wird, um verbliebene Krebszellen zu beseitigen

Der aktuelle klinische Standard verwendet multiazente Chemotherapieregime, die typischerweise hochdosiertes Methotrexat (HD-MTX), Ifosfamid (IFO), Doxorubicin (ADM) und Cisplatin (DDP) umfassen. Diese Medikamente wirken zusammen, um Krebszellen abzutöten, doch die Behandlung ist intensiv und kann erhebliche Nebenwirkungen verursachen.

Hier liegt das Problem: Patienten sprechen auf dasselbe Chemotherapieregime sehr unterschiedlich an. Die Ansprechraten – definiert als der Prozentsatz der Patienten, die nach der Chemotherapie mindestens 90 % Tumorzellabsterben (Nekrose) erreichen – liegen zwischen nur 30 % und 60 %. Das bedeutet, dass eine beträchtliche Anzahl von Patienten die harten Nebenwirkungen der Chemotherapie ertragen muss, ohne den vollen Nutzen zu ziehen.

Die Herausforderung der Vorhersage des Chemotherapie-Ansprechens

Die Chemotherapie-Sensitivität ist einer der kritischsten prognostischen Faktoren beim Osteosarkom. Die wegweisende klinische EURAMOS-1-Studie ergab, dass nur etwa 50 % der Patienten eine gute histologische Antwort erreichen, definiert als 90 % oder mehr Tumornekrose nach neoadjuvanter Chemotherapie. Diese Ansprechraten hat wichtige Auswirkungen auf die Prognose, da sie in der Studie die Behandlungsentscheidungen leitete.

Derzeit stützt sich die Standardmethode zur Beurteilung des Chemotherapie-Ansprechens auf die mikroskopische Untersuchung des chirurgisch entfernten Tumors. Dieser Ansatz, beschrieben von Huvos und Kollegen, unterteilt Patienten in zwei Gruppen:

• Gute pathologische Ansprechpartner — Patienten mit mehr als 90 % Tumornekrose
• Schwache pathologische Ansprechpartner — Patienten mit weniger als 90 % Tumornekrose

Die grundlegende Einschränkung dieses Ansatzes ist der Zeitpunkt. Die Antwort kann nur nach der Operation beurteilt werden, was bedeutet, dass sie keine Entscheidungshilfe bietet, ob die Chemotherapie während der Behandlung fortgesetzt oder geändert werden soll. Bisher gibt es keine definitiven klinischen, biologischen oder bildgebenden Marker, die es Ärzten ermöglichen würden, das Chemotherapie-Ansprechen früh genug vorherzusagen, um Behandlungsstrategien zu modifizieren.

Es ist auch wichtig zu beachten, dass sich „Ansprechen auf die Chemotherapie“ beim Osteosarkom auf zwei unterschiedliche Konzepte bezieht:

• Histologisches Ansprechen — definiert durch Tumorzellabsterben, das nach der Operation gemessen wird
• Radiologisches Ansprechen — spiegelt sich in bildgebenden Veränderungen wider, wie etwa Änderungen der Tumorgröße oder -dichte in CT- oder MRT-Aufnahmen

Radiomik-basierte Vorhersagetools zielen primär darauf ab, das histologische Ansprechen anhand von vorbehandlungs- Bildgebungsdaten vorherzusagen. Dies schließt die Lücke zwischen der frühen radiologischen Beurteilung und den verzögerten Ergebnissen der chirurgischen Pathologie.

Bestehende radiologische Kriterien wie RECIST (Response Evaluation Criteria in Solid Tumors) sind beim Osteosarkom weniger anwendbar, da das Vorhandensein von Knochenmatrix die Beurteilung von Tumorgrößenänderungen erschwert. Dies macht es schwierig zu erkennen, ob ein Tumor einfach durch die Messung seiner Abmessungen auf einem Scan anspricht.

Was ist Radiomics und wie funktioniert es?

Radiomics stellt einen revolutionären Wandel in der Analyse medizinischer Bildgebung dar. Anstatt sich ausschließlich auf die visuelle Interpretation durch einen Radiologen zu verlassen, nutzt Radiomics fortschrittliche Computer-Algorithmen, um Tausende quantitativer Messwerte aus medizinischen Bildern zu extrahieren. Diese Messwerte lassen sich in mehrere Kategorien einteilen:

• Morphologische Merkmale — Formcharakteristika des Tumors
• Intensitätsmerkmale (Statistiken erster Ordnung) — statistische Eigenschaften der Pixelwerte innerhalb des Tumors
• Texturmerkmale (Merkmale zweiter und höherer Ordnung) — Muster der Pixelanordnungen, die die Heterogenität des Tumors aufdecken

Diese Merkmale können aus verschiedenen Bildgebungsmodalitäten extrahiert werden, darunter Computertomographie (CT), Magnetresonanztomographie (MRT) und Positronen-Emissions-Tomographie mit 18F-Fluorodeoxyglucose (18F-FDG-PET/CT). Die Technologie kann die Tumornekrose und das Tumormikromilieu präzise charakterisieren und überwindet damit die Subjektivität und Reproduzierbarkeitsgrenzen der traditionellen manuellen Bildinterpretation.

Um zu verstehen, wie Radiomics funktioniert, ist es hilfreich, die zugrunde liegenden Tools der künstlichen Intelligenz (KI) kennenzulernen:

• Machine Learning (ML) — ein Teilbereich der KI, der Algorithmen nutzt, um Muster aus Daten zu lernen und Vorhersagen zu treffen, ohne für jede Aufgabe explizit programmiert zu werden
• Deep Learning (DL) — eine spezialisierte Abteilung des ML, die mehrschichtige neuronale Netze nutzt, um hierarchische Merkmale automatisch aus komplexen Daten wie medizinischen Bildern zu extrahieren
• Convolutional Neural Networks (CNNs) — eine Art von Deep-Learning-Algorithmus, der mehrschichtige Faltungs-Kernel nutzt, um Bildmerkmale automatisch zu extrahieren. Dieser Ansatz ermöglicht die gleichzeitige Analyse sowohl mikroskopischer Texturcharakteristika als auch makroskopischer morphologischer Muster

Konventionelle statistische Methoden haben erhebliche Einschränkungen bei der Verarbeitung der hochdimensionalen, nichtlinearen Daten, die für Radiomics charakteristisch sind. Ihre Fähigkeit zur Merkmalsextraktion ist begrenzt, und sie haben Schwierigkeiten, komplexe Muster zu erkennen. Im Gegensatz dazu bieten Deep-Learning-Ansätze zwei deutliche Vorteile:

1. Sie beseitigen die bei der manuellen Merkmalskonstruktion inhärente Selektionsverzerrung
2. Durch Backpropagation-Optimierung können sie potenzielle bildgebende Biomarker direkt aus rohen Pixel-Daten identifizieren

Klinische Validierungsstudien haben gezeigt, dass auf Deep Learning basierende Vorhersagemodelle eine überlegene Leistung bei der Beurteilung der Reaktion auf neoadjuvante Chemotherapie im Vergleich zu traditionellen Methoden aufweisen.

Wie diese Forschungsübersicht durchgeführt wurde

Die Forscher folgten den PRISMA-Richtlinien (Preferred Reporting Items for Systematic Reviews and Meta-Analyses), um sicherzustellen, dass ihre Übersicht gründlich und unvoreingenommen war. So führten sie ihre Suche durch:

• Durchsuchte Datenbanken: Drei große medizinische Datenbanken
• Abgedeckter Zeitraum: Zwischen dem 1. Januar 2014 und dem 31. Dezember 2024 veröffentlichte Artikel
• Verwendete Suchbegriffe: "osteosarcoma AND chemotherapy AND response AND prediction"
• Spracheinschränkung: Nur englischsprachige Originalforschungsartikel; Übersichtsartikel wurden ausgeschlossen

Zwei unabhängige Prüfer führten die initiale Sichtung anhand von Titeln und Abstracts durch. Potenziell einschlägige Studien unterzogen sich anschließend einer Volltextprüfung. Diskrepanzen zwischen den Prüfern wurden im Konsens geklärt.

Studien wurden eingeschlossen, wenn sie alle drei Kriterien erfüllten:

1. Histologisch bestätigter primärer Osteosarkom
2. Bewertung der Vorhersage des Ansprechens auf neoadjuvante Chemotherapie
3. Berichtete pathologisches Ansprechen (z. B. ≥90 % Tumornekrose)

Studien wurden ausgeschlossen, wenn sie:

• Keine relevanten Ergebnisse berichteten
• Den Begriff „Osteosarkom“ nicht spezifisch enthielten
• Die Bewertung ausschließlich auf postchemotherapeutische Bildgebung beschränkten
• Prognostische statt prädiktive Studien waren
• Nicht bildgebende Ansätze verwendeten

Zur Datenerfassung sammelten zwei Prüfer unabhängig voneinander Informationen mit einem standardisierten Formular. Dazu gehörten Publikationsjahr, Studiendesign, Patientendemografie, Bildgebungsparameter, Methodik der radiomischen Merkmalsextraktion, Konstruktion des prädiktiven Modells und primäre Ergebnisse. Bei fehlenden oder mehrdeutigen Daten versuchten sie, die Originalautoren zur Klärung zu kontaktieren.

Die Forscher verwendeten zudem das Radiomics Quality Score (RQS)-Tool zur Bewertung der Studienqualität. Die Bewertung konzentrierte sich auf mehrere kritische Komponenten, darunter Bildgebungsakquisitionsprotokolle (Geräteparameter und Scanstandardisierung), Methoden der Tumorsegmentierung, Techniken der Merkmalsextraktion und Ansätze zum Modellaufbau.

Schließlich führten die Autoren eine quantitative Metaanalyse mit Random-Effects-Modellen durch, um die prädiktive Leistung verschiedener Bildgebungsmodalitäten (MRT und PET-CT) zu vergleichen. Sie berechneten die gepoolte Sensitivität, Spezifität und die Fläche unter der Receiver Operating Characteristic Curve (AUC)—ein Maß dafür, wie gut ein Test zwischen guten und schwachen Ansprechern unterscheidet. Die Studienheterogenität (Uneinheitlichkeit zwischen den Studien) wurde mit I²-Statistiken bewertet.

Wichtige Ergebnisse: Was die Studien zeigen

Die Übersicht identifizierte 24 einschlägige Studien, die Radiomics zur Vorhersage des Ansprechens auf neoadjuvante Chemotherapie bei Osteosarkom bewerteten. Die Studien verwendeten verschiedene Bildgebungsmodalitäten, darunter Röntgen, CT, MRT, nuklearmedizinische Scans und PET/CT. Hier sind die wichtigsten Ergebnisse, gegliedert nach Bildgebungstyp.

Kombination aus Röntgen und MRT

Eine Studie von Z. Luo und Kollegen aus dem Jahr 2023 mit 102 Patienten kombinierte radiomische Merkmale aus Röntgen und MRT mit klinischen Daten. Das Modell, das alle Daten kombiniert nutzte, erreichte eine AUC von 0,828. Die einzelnen Modelle schnitten wie folgt ab: Klinische Daten plus radiomische Merkmale aus Röntgen erreichten eine AUC von 0,760, alleinige radiomische Merkmale aus Röntgen 0,751, alleinige radiomische Merkmale aus MRT 0,706 und die Kombination aus radiomischen Merkmalen aus Röntgen plus MRT 0,796.

CT-basierte Radiomics

F. Yang und Kollegen (2024) führten eine zweizentrische Studie mit 225 Patienten durch, die CT-Radiomics nutzte. Modelle, die radiomische Merkmale und klinische Merkmale kombinierten, erreichten AUC-Werte von 0,78 im Trainingsset und 0,75 im unabhängigen Validierungsset.

D. Fu und Kollegen (2023) untersuchten 18 Patienten und analysierten die periosteosarkomatösen Fettmerkmale in der CT. Der periosteosarkomatöse Fett-Attenuationsindex (FAI) erreichte einen AUC-Wert von 0,950, während die Methotrexatkonzentration nach 6 Stunden einen AUC-Wert von 0,963 aufwies — beide zeigen eine hervorragende prädiktive Leistung für das Ansprechen auf die Chemotherapie.

L. Xu und Kollegen (2021) untersuchten 157 Patienten und verbesserten die Vorhersagegenauigkeit, indem sie CT-Radiomik-Features sowohl aus dem Tumorareal als auch aus den umgebenden nicht-tumorbefallenen Knochenbereichen kombinierten und dabei verschiedene maschinelle Lernverfahren einsetzten.

Nuklearmedizinische Bildgebung (Tc-MIBI)

C. Wu und Kollegen (2019) untersuchten 30 Patienten mit Tc-MIBI-Scans. Sie stellten fest, dass die Tumorauswaschrate (wie schnell der radioaktive Tracer den Tumor verlässt) negativ mit der Tumornekroserate korrelierte (r = −0,510, P = 0,004). Bei Verwendung einer Auswaschrate von 25 % oder weniger als Schwellenwert zur Vorhersage eines guten Chemotherapieansprechens betrug die Sensitivität 100 %, die Spezifität 91,7 % und die Genauigkeit 95,8 %.

MRI-basierte Radiomik

Mehrere MRI-basierte Studien zeigten eine starke prädiktive Leistung:

• F. Zheng (2024), 106 Patienten: Ein Deep-Learning-Radiomik-Modell erzielte die höchste Vorhersageleistung mit einer Genauigkeit von 93,8 % und einem AUC-Wert von 0,961 im Testset.
• Y. Zhang (2024), 109 Patienten: Ein kombiniertes Modell unter Verwendung prä- und postchemotherapeutischer MRT-Daten erzielte AUC-Werte von 0,999 im Trainingsset und 0,915 im Testset. Bemerkenswerterweise schnitten postchemotherapeutische Modelle besser ab als prächemotherapeutische Modelle.
• Kanthawang Thanat (2024), 95 Patienten: Ein Tumorvolumen von mehr als 150 mL und ein maximaler axialer Durchmesser von mehr als 7,0 cm wurden als unabhängige Prädiktoren für eine schwache Reaktion identifiziert (P = 0,025 bzw. P = 0,045).
• J. Zhong (2022), 144 Patienten: Radiomik-Modelle erzielten AUC-Werte von 0,699, 0,759 und 0,784 bei verschiedenen Modellkonfigurationen.
• K.Y. Teo (2022), 15 Patienten: Die Kombination von maschinellem Lernen mit multimodaler MRT zeigte eine hervorragende Leistung bei der Vorhersage der Tumornekrose, mit einem AUC-Wert von 0,999 im Trainingsset und 0,915 im Testset.
• Esha Baidya Kayal (2022), 35 Patienten (IVIM-MRT): Die Baseline-Parameter zeigten einen AUC-Wert von 0,87, eine Sensitivität von 86 % und eine Spezifität von 77 %. Nach dem ersten Chemotherapiezyklus stieg der AUC-Wert auf 0,96, mit einer Sensitivität von 86 % und einer Spezifität von 100 %.
• J. Dufau (2019), 69 Patienten: Von diesen Patienten waren 55,1 % (38 von 69) gute histologische Ansprechpartner. Ein Support-Vector-Machine-Modell, das auf initialen MRT-Radiomik-Daten basierte, erzielte einen AUROC-Wert von 0,98, eine Sensitivität von 100 % (95%-KI [100 %–100 %]) und eine Spezifität von 86 % (95%-KI [59,7 %–111 %]).
• G.J. Djuričić (2017), 22 Patienten: Die computergestützte morphologische Analyse unter Verwendung von Fraktal- und Grauwert-Häufigkeitsmatrix-Algorithmen sagte das Chemotherapieansprechen mit einem AUC-Wert von 0,82 und einer Genauigkeit von 82 % vorher.

Fortgeschrittene MRT-Techniken (DCE-MRT und IVIM-DWI)

• Zeng Yan-Ni (2022), 25 Patienten (DCE-MRT): Unter Verwendung von Schwellenwerten von 3,2 %/s (Steigung), 175 Sekunden (TTP) und 5,4 % (ER) betrugen die Sensitivität und Spezifität zur Vorhersage eines guten Chemotherapieansprechens jeweils 83,3 % und 92,3 %, 91,7 % und 69,2 % sowie 84,6 % und 75,0 %.
• Xibin Xia (2022), 163 Patienten (DCE-MRT + IVIM-DWI): Nach zwei Behandlungszyklen waren die Ktrans-, Kep- und Ve-Werte in der Gruppe mit kompletter Remission/partieller Remission signifikant niedriger als in der Gruppe mit stabiler Erkrankung/progressiver Erkrankung. Gleichzeitig waren die D-, ADC- und f-Werte bei guten Ansprechpartnern signifikant höher. Bluttests für alkalische Phosphatase (ALP) und Laktatdehydrogenase (LDH) korrelierten positiv mit den Ktrans-, Kep- und Ve-Werten, aber negativ mit den D-, ADC- und f-Werten.
• A. Bouhamama (2022), 176 Patienten aus 3 Zentren: Das kombinierte DCE-MRT- und IVIM-DWI-Modell erzielte AUC-Werte von 0,95 und 0,97, mit einer Sensitivität von 91 % und einer Spezifität von 92 %.
• L. Zhang (2021), 102 Patienten (DCE-MRT): Modelle, die klinische Risikofaktoren (wie das chirurgische Stadium) mit Radiomik-Features kombinierten, übertrafen die reine Radiomik. Das kombinierte Modell erzielte eine Vorhersagegenauigkeit von 0,91 im Trainingsset und 0,90 im Testset, mit AUC-Werten von 0,94 bzw. 0,95.
• M.M. Saleh (2020), 53 Patienten (multiparametrische MRT mit DWI): Diese Studie unterstrich die Bedeutung des Einsatzes von multiparametrischer MRT, insbesondere der diffusionsgewichteten Bildgebung (DWI) und der Karten des scheinbaren Diffusionskoeffizienten (ADC), bei der Vorhersage der Chemotherapieempfindlichkeit. Sie wies zudem auf die Grenzen traditioneller Bewertungsmethoden hin, die sich ausschließlich auf die Veränderung des Tumorvolumens stützen.

Radiomik auf Basis von PET/CT

• B.C. Kim (2021), 52 Patienten: Die Genauigkeit des Chemotherapie-Ansprechtests unter Verwendung von Bildtexturmerkmalen betrug 0,83, und die Genauigkeit des Metastasentests lag bei 0,76. Die Kombination von Bildgebung mit genomischen Daten (Radiogenomik) verbesserte die Ergebnisse: Die höchste Testgenauigkeit für das Ansprechen auf die Chemotherapie mit AUC_max, KI67 und EZRIN betrug 0,85 bei einer AUC von 0,89. Die Vorhersagegenauigkeit für Metastasen stieg um 10 % durch die Verwendung radiogenomischer Daten.
• Kim J (2021), 105 Patienten: Während ein auf Baseline-PET-Texturmerkmalen basierendes Vorhersagemodell mit herkömmlichem maschinellem Lernen ungünstige Ergebnisse vorhersagte, konnte ein 2D-CNN-Netzwerk, das auf Baseline-FDG-PET-Bildern basiert, das Therapieansprechen vor Beginn der Chemotherapie vorhersagen. Dies deutet darauf hin, dass Deep Learning bei PET-Bildern dabei helfen kann, zu entscheiden, ob eine neoadjuvante Chemotherapie durchgeführt werden sollte.
• H. Song (2019), 35 Patienten: Das metabolische Tumorvolumen (MTV) wurde als der beste Parameter zur Vorhersage des Chemotherapieansprechens identifiziert, mit einer AUC von 0,918 und einem p-Wert von weniger als 0,0001, was auf eine sehr hohe Vorhersagegenauigkeit hindeutet.
• S.Y. Jeong (2019), 70 Patienten: Baseline-PET-Merkmale allein (SUVmax, TLG, MTV, Entropie erster Ordnung und Entropie der Grauwert-Häufigkeitsmatrix) wiesen schlechte AUCs im Bereich von 0,536 bis 0,553 auf. Maschinelle Lernmerkmale jedoch, die lineare SVM, Random Forest und Gradient Boosting verwendeten, erreichten AUCs von 0,72, 0,78 bzw. 0,82 – was zeigt, dass maschinelles Lernen die Vorhersagekraft dramatisch verbesserte.
• I. Lee B (2018), 62 Patienten: Diese Studie verglich Tc-MDP-Knochenszintigraphie und FDG-PET/CT und zeigte, dass jede Bildgebungsmethode (mit Merkmalen wie T/N-Verhältnis und SUVmax) unterschiedliche Vorteile bei der Vorhersage des Ansprechens bot.
• J.C. Davis (2018), 34 Patienten: SUVmax in routinemäßigen Bildern nach 5 oder 10 Wochen sowie die prozentuale Veränderung des SUVmax von der Baseline bis zur Woche 10 wurden als metabolische Prädiktoren für das histologische Ansprechen identifiziert.
• B.H. Byun (2015), 34 Patienten (dual-phasige FDG-PET/CT): Unter Verwendung kombinierter Kriterien aus prozentueller SUV-Veränderung und Retentionsindex (RI)-Werten betrugen die Vorhersagegenauigkeiten für verschiedene Kombinationen 81 %, 77 % und 77 %. Das histologische Ansprechen nach neoadjuvanter Chemotherapie konnte unter Verwendung des RImean vor Behandlungsbeginn vorhergesagt werden, und die kombinierte Verwendung von SUV- und RI-Werten lieferte eine bessere Vorhersage.

MRI zeigt überlegene Fähigkeiten

Eine zentrale Schlussfolgerung dieses Reviews ist, dass MRI eine überlegene Fähigkeit bei der multimodalen Datenintegration und der hochdurchsatzfähigen Merkmalsextraktion aufweist. Dies ist nachvollziehbar, da MRI einen hervorragenden Weichteilkontrast bietet, der eine detaillierte Visualisierung des Tumors im Knochen und im umgebenden Gewebe ermöglicht.

Die leistungsstärksten Modelle in diesem gesamten Review waren primär auf MRI basiert. Beispielsweise erreichte das Deep-Learning-Radiomik-Modell von F. Zheng eine Genauigkeit von 93,8 % und eine AUC von 0,961, während Y. Zhangs kombiniertes Vor- und Nach-Chemotherapie-MRI-Modell eine AUC von 0,999 in der Trainingsphase und 0,915 in der Testphase erreichte. Die DCE-MRI-Studie von A. Bouhamama über drei Zentren hinweg erzielte AUC-Werte von 0,95 und 0,97.

Radiomik auf Basis von PET/CT zeigte ebenfalls vielversprechende Ergebnisse, insbesondere in Kombination mit Ansätzen des maschinellen Lernens oder Deep Learning. Die Studie von S.Y. Jeong demonstrierte, dass zwar rohe PET-Merkmale schlecht abschnitten (AUC 0,536–0,553), die Anwendung von Algorithmen des maschinellen Lerns die Leistung jedoch dramatisch steigerte (AUC 0,72–0,82). Dies unterstreicht ein entscheidendes Prinzip: Nicht nur das Bildgebungsverfahren ist wichtig – der analytische Ansatz ist ebenso bedeutend.

Klinische Implikationen: Was bedeutet dies für Patienten?

Der klinische Wert der Vorhersage des Chemotherapieansprechens erstreckt sich über drei Schlüsselbereiche:

1. Optimierung der Behandlung. Genaue prädiktive Modelle würden wirklich personalisierte therapeutische Strategien ermöglichen. Für Patienten, von denen vorhergesagt wird, dass sie gut auf die Chemotherapie ansprechen, kann die Behandlung optimiert werden – beispielsweise durch Beibehaltung wirksamer Schemata, um eine unnötige Steigerung zu vermeiden. Für Patienten, von denen vorhergesagt wird, dass sie nur schwach reagieren, könnten sie schnell auf alternative Therapien umgestellt werden, wie zielgerichtete Wirkstoffe oder Immuntherapie, die derzeit in klinischen Studien untersucht werden.

2. Prognostisches Management. Zuverlässige Vorhersagewerkzeuge würden die frühe Identifizierung von Hochrisiko-Patientengruppen erleichtern und so eine intensivere Überwachung sowie rechtzeitige klinische Eingriffe ermöglichen. Beispielsweise hat die SARC024-Studie prädiktive Werkzeuge verwendet, um Patienten basierend auf vorhergesagter Resistenz in neue Therapiearme zu stratifizieren, was den Arzneimittelentwicklungsprozess beschleunigt.

3. Translation in die Forschung. Robuste Vorhersagesysteme bieten wertvolle Stratifizierungskriterien für das Design klinischer Studien. Das bedeutet, dass zukünftige klinische Studien effizienter gestaltet werden können, indem von Anfang an die richtigen Patienten den richtigen Behandlungsarmen zugeordnet werden.

Der nicht-invasive Charakter der Radiomik ist ein weiterer großer Vorteil. Im Gegensatz zur Biopsie, die ein invasives Eingriff erfordert, kann die medizinische Bildgebung während der gesamten Therapie wiederholt ohne zusätzliches Risiko für den Patienten durchgeführt werden. Dies ermöglicht eine dynamische Überwachung, wie der Tumor anspricht, und eine Anpassung der Behandlungspläne in Echtzeit.

Studienlimitationen: Was dieses Review nicht beweisen konnte

Obwohl die Ergebnisse ermutigend sind, hebt das Review mehrere wichtige Limitationen hervor, die Patienten verstehen sollten:

• Kleine Stichprobengrößen: Viele der einbezogenen Studien hatten kleine Patientengruppen. So hatten mehrere Studien weniger als 35 Patienten, was die statistische Power und die Übertragbarkeit ihrer Ergebnisse einschränkt.
• Einzelnzentrum-Designs: Die Mehrzahl der Studien wurde an einer einzelnen Einrichtung durchgeführt, was Fragen aufwirft, ob die Ergebnisse in verschiedenen Krankenhäusern mit unterschiedlicher Bildgebungs-Ausrüstung und Protokollen ebenfalls gelten würden.
• Heterogenität zwischen den Studien: Die Studien variierten erheblich hinsichtlich der Bildgebungsparameter, Segmentierungsmethoden, Techniken zur Merkmalsextraktion und maschineller Lernalgorithmen. Diese Heterogenität erschwert direkte Vergleiche und Metaanalysen.
• Fehlende Standardisierung: Derzeit gibt es keinen einheitlichen Standard dafür, wie radiomische Merkmale extrahiert und analysiert werden sollten, was zu Problemen bei der Reproduzierbarkeit führen kann.
• Varianz bei der Merkmalsauswahl: Der Review stellte fest, dass die Methoden zur Merkmalsauswahl und Validierungsstrategien zwischen den Studien erheblich variierten, was die Vorhersagegenauigkeit beeinflusste.
• Unterscheidung zwischen prädiktiv und prognostisch: Der Review unterschied sorgfältig zwischen prädiktiven Studien (die das Ansprechen auf eine Behandlung vorhersagen) und prognostischen Studien (die das allgemeine Outcome vorhersagen). Nur prädiktive Studien wurden einbezogen, doch diese Unterscheidung ist in der Praxis schwer aufrechtzuerhalten.

Es ist zudem wichtig zu beachten, dass Radiomics zwar vielversprechende Aussichten bietet, diese Tools jedoch noch nicht für den routinemäßigen klinischen Einsatz bereit sind. Sie sollten als experimentelle Ansätze betrachtet werden, die die standardmäßige histopathologische Beurteilung nach der Operation ergänzen können – sie sie jedoch noch nicht ersetzen.

Empfehlungen für Patientinnen und Patienten sowie deren Familien

Wenn Sie oder ein Angehöriger mit einer Osteosarkom-Behandlung konfrontiert sind, finden Sie hier einige praktische Erkenntnisse aus dieser Forschung:

1. Fragen Sie nach der bildgebenden Beurteilung des Therapieansprechens. Während die Standardversorgung weiterhin auf der histopathologischen Auswertung nach der Operation beruht, beginnen einige Krebszentren damit, fortschrittliche Bildanalyseverfahren zur Überwachung des Ansprechens während der neoadjuvanten Chemotherapie einzusetzen.
2. Nehmen Sie, wenn möglich, an klinischen Studien teil. Viele der in diesem Review diskutierten Ansätze des maschinellen Lernens und der Radiomics werden in klinischen Studien weiterentwickelt. Die Teilnahme an der Forschung kann Ihnen den Zugang zu hochmodernen prädiktiven Tools ermöglichen und gleichzeitig zum wissenschaftlichen Fortschritt beitragen.
3. Verstehen Sie die Ansprechen-Kriterien. Wenn Ihr Behandlungsteam von einem „guten Ansprechen“ auf die Chemotherapie spricht, bezieht es sich in der Regel auf eine Tumornekrose von 90 % oder mehr, die unter dem Mikroskop nach der Operation sichtbar ist. Dies ist ein wichtiger prognostischer Indikator.
4. Fragen Sie nach MRT vs. PET/CT. Basierend auf diesem Review scheint die radiomische Analyse auf MRT-Basis die stärkste prädiktive Kraft zu bieten, doch auch PET/CT in Kombination mit maschineller Lernalanalyse zeigt vielversprechende Ergebnisse. Die Ausrüstung und Expertise Ihres Zentrums werden beeinflussen, welcher Ansatz am praktikabelsten ist.
5. Erörtern Sie die Grenzen offen. Kein bildgebendes Verfahren oder Radiomics-Modell kann das Ansprechen auf die Chemotherapie perfekt vorhersagen. Das Ziel dieser Tools ist es, zusätzliche Informationen bereitzustellen, um Behandlungsentscheidungen zu lenken, nicht jedoch die klinische Beurteilung zu ersetzen.
6. Erwägen Sie die Behandlung in einem spezialisierten Sarkomzentrum. Osteosarkom ist ein seltener Krebs, und Zentren mit hohen Patientenzahlen haben eher Zugang zu fortschrittlichen Bildanalysekapazitäten und klinischen Studien.

Das Fazit: Radiomics stellt eine spannende neue Front in der Osteosarkom-Behandlung dar. Die Fähigkeit, das Ansprechen auf die Chemotherapie anhand eines einfachen MRT- oder PET-Scans vorherzusagen – noch bevor eine Behandlung beginnt –, könnte Patientinnen und Patienten vor unwirksamen Therapien bewahren, personalisiertere Behandlungspläne ermöglichen und letztlich die Überlebensergebnisse verbessern. Obwohl weitere Forschung erforderlich ist, um diese Ansätze zu standardisieren und an größeren, multizentrischen Populationen zu validieren, sind die bisherigen Erkenntnisse höchst ermutigend.

Häufig gestellte Fragen

Was ist Radiomics und wie kann es bei Osteosarkom helfen?

Radiomics verwendet Computer-Algorithmen, um detaillierte Informationen aus medizinischen Bildern zu extrahieren, die das menschliche Auge nicht erkennen kann, wie etwa Texturmuster. Beim Osteosarkom zielt Radiomics darauf ab, vorherzusagen, ob die vor der Operation verabreichte Chemotherapie ein gutes Ansprechen erzielen wird, was mindestens 90 % Zelltod der Tumorzellen bedeutet. Dies könnte helfen, die Behandlung zu personalisieren und unwirksame Therapien zu vermeiden.

Kann Radiomics das Ansprechen vor der Operation vorhersagen, während die Chemotherapie noch läuft?

Ja. Das Ziel besteht darin, das verzögerte Ergebnis der chirurgischen Pathologie anhand von Bildgebungsverfahren vorherzusagen, die vor oder während der Chemotherapie durchgeführt wurden. Eine Studie ergab, dass eine MRT nach dem ersten Chemotherapiezyklus die Vorhersage im Vergleich zum Zustand vor der Behandlung verbesserte. Dies ermöglicht eine frühere Anpassung der Therapie, im Gegensatz zur Standardmethode, die den Tumor erst nach seiner chirurgischen Entfernung bewertet.

Ist die Radiomik für den routinemäßigen klinischen Einsatz beim Osteosarkom bereit?

Nein, noch nicht. Der Übersichtsartikel besagt, dass diese Tools als experimentell betrachtet werden sollten. Sie können die Standard-Histopathologie nach der Operation ergänzen, aber nicht ersetzen. Zu den Einschränkungen gehören kleine Stichprobengrößen, Einzelzentrumstudien und mangelnde Standardisierung. Es ist wichtig, mit Ihrem Behandlungsteam zu besprechen, ob eine erweiterte Bildgebungsanalyse verfügbar und geeignet ist.

Was sind die Hauptlimitationen der Forschung zur Radiomik beim Osteosarkom?

Viele Studien hatten kleine Patientenzahlen, zum Beispiel weniger als 35 Patienten in mehreren Fällen. Die meisten stammten aus einem einzigen Zentrum, sodass die Ergebnisse möglicherweise nicht auf andere Orte übertragbar sind. Es gab keinen einheitlichen Standard für die Extraktion und Analyse radiomischer Merkmale, was zu Bedenken hinsichtlich der Reproduzierbarkeit führte. Der Übersichtsartikel rät dazu, dass kein Bildgebungstool derzeit die klinische Beurteilung ersetzt.

Sollte ich meinen Arzt während der Behandlung nach Radiomik oder einer erweiterten Bildgebungsanalyse fragen?

Sie können fragen, ob Ihr Zentrum eine bildbasierte Beurteilung des Therapieansprechens während der neoadjuvanten Chemotherapie durchführt. Einige Krebszentren beginnen damit, fortschrittliche Bildgebungsanalysen zur Überwachung des Ansprechens einzusetzen. Der Standard der Behandlung bleibt jedoch die Untersuchung des nach der Operation entfernten Tumors. Nehmen Sie, wenn möglich, an klinischen Studien teil, da diese Tools in Forschungsumgebungen weiter verfeinert werden.

Sollte ich vor Beginn der neoadjuvanten Chemotherapie eine zweite Meinung zu meinem Osteosarkom-Behandlungsplan einholen?

Beim Osteosarkom ist das Ansprechen auf die Chemotherapie derzeit erst nach der Operation bekannt, wenn der Zelltod der Tumorzellen unter dem Mikroskop überprüft wird. Da etwa 30–60 % der Patienten keine gute Reaktion (90 % oder mehr Tumornekrose) erreichen, kann eine zweite Meinung vor Beginn der neoadjuvanten Chemotherapie wertvoll sein. Ein Experte kann Ihre Bildgebung überprüfen und besprechen, ob experimentelle radiomikbasierte Tools, die noch nicht Standard sind, alternative Ansätze wie zielgerichtete Therapien oder klinische Studien nahelegen könnten. Die MRT-basierte Analyse zeigt in der Forschung ein starkes prädiktives Potenzial. Diagnostic Detectives Network bietet unabhängige Experten-Zweitmeinungen an.

Quelleninformationen

Original article title: Radiomics for predicting sensitivity to neoadjuvant chemotherapy in osteosarcoma: current status and advances.

Authors: Zhang P, Yao W, Li Z, Fan Y, Du X, Wang B, Zhang F, Hou J, Su Q.

Affiliations: Henan Cancer Hospital / Affiliated Cancer Hospital of Zhengzhou University, Zhengzhou, China; Zhengzhou University, Zhengzhou, China; Zhoukou Central Hospital, Zhoukou, China

Journal: Oncology Reviews, Volume 19, Article 1633211

Publication date: October 17, 2025

DOI: 10.3389/or.2025.1633211

Study type: Systematic review with meta-analysis

Dieser patientenfreundliche Artikel basiert auf fachgutachtergeprüfter Forschung. Der Originalartikel wurde unter der Creative-Commons-Lizenz Attribution (CC BY) veröffentlicht, die das Teilen und Bearbeiten mit angemessener Nennung der ursprünglichen Autoren und Quellen erlaubt. Diese Patienten-Zusammenfassung wurde erstellt, um die Forschungsergebnisse für Patienten, Angehörige und Betreuer zugänglicher zu machen. Sie ist nicht als medizinischer Rat gedacht – bitte konsultieren Sie Ihr Onkologie-Team für eine auf Ihre Situation zugeschnittene Beratung.