TP 4

Bildanalyse und Auswertung für die Entwicklung von prädiktiven und prognostischen Modellen

Das finale Ziel dieses Teilprojektes ist es, zu ermöglichen Daten aus unterschiedlichen Informationsquellen in statistischen Modellen zu kombinieren. Diese statistischen Modelle sollen eine verbesserte HCC Diagnose und eine Prädiktion des Behandlungserfolges von möglichen Therapieformen erlauben.
Zunächst werden hierfür als Informationsquellen die Bildgebenden Methoden (MR, PET, CT) betrachtet. Um die Informationen aus diesen Bilddaten sinnvoll miteinander korrelieren zu können ist es notwendig diese korrekt räumlich zu Überlagern.  Das heißt es müssen mit Methoden der Bildverarbeitung (Bildregistrierung) die Patientenbewegungen zwischen den Aufnahmen korrigiert werden. Im Fall von zeitlich getrennten Aufnahmen, z.B. im Krankheitsverlauf sind zusätzlich tatsächliche anatomische Änderungen zu kompensieren wie z.B. ein Tumorwachstum oder eine Gewichtszu- oder Abnahme.

PET/CT Bewegungskorrektur: Überlagerung eines PET mit einem CT Datensatze. Links: Vor der Bewegungskorrektur, rechts danach.

In einem zweiten Schritt werden dann aus den Bilddaten Kandidaten für Merkmale (Features) extrahiert. Im einfachsten Fall sind dies einfach die Bildintensitäten in einem gewissen Bildbereich, interessant sind aber auch kompliziertere Merkmale wie z.B. Textur-Features die das "Erscheinungsbild" von Gewebe zu erfassen versuchen ("homogen", "heterogen" etc.). Diese bildbasierten Informationen können dann mit weiteren Patienteninformationen wie Alter, Geschlecht etc. und auch OMICS Daten (Genom-, Metabolom-, Proteomik-Daten) kombiniert werden. Um aus dieser Fülle von Informationen nutzbare Schlüsse zu ziehen werden statistische Modelle zur Klassifikation oder Regression trainiert. Zum Beispiel können diese Modelle mit Daten von Patienten mit einem bekannten Krankheitsverlauf trainiert werden, um bei neuen Patienten möglichst früh den wahrscheinlichsten Krankheitsverlauf vorhersagen zu können. Gleiches gilt für die Prädiktion von Therapieerfolgen. Die Modelle können mit Patientendaten von durchgeführten Behandlungen trainiert werden, um für neue Patienten eine Vorhersage zu treffen, wie erfolgversprechend eine spezifische Therapie für diesen Patienten ist.

Dies ist ein wichtiger Schritt hin zu einer personalisierten Gesundheitsversorgung, bei der nicht jeder Patient gleich behandelt wird, sondern eine speziell auf diesen Patienten abgestimmte Therapie anzuwenden, die für Ihn den größtmöglichen Behandlungserfolg verspricht.

Keywords: Bildregistrierung, statistische Modelle, Klassifikation, Regression, Data Mining, Diagnose, Therapievorhersage