Multimodales Deep Learning prognostiziert Überlebensdauer bei neuroendokrinen Tumoren

Die Peptid-Rezeptor-Radionuklidtherapie (PRRT) gilt als etablierte Behandlung für metastasierende neuroendokrine Tumoren (NETs), doch nur ein Teil der Patienten erreicht eine langfristige Krankheitskontrolle. Die Vorhersage der progressionsfreien Überlebenszeit (PFS) könnte die individuelle Therapieplanung deutlich verbessern.

In einer retrospektiven, einzentralen Studie wurden 116 Patienten mit metastasierenden NETs, die mit 177Lu-DOTATOC behandelt wurden, analysiert. Für jeden Patienten wurden klinische Daten, Laborwerte und vortherapeutische Somatostatin-Rezeptor-PET/CT-Scans erhoben.

Sieben verschiedene Modelle wurden trainiert, um Patienten in niedrige und hohe PFS-Gruppen einzuteilen. Dazu gehörten unimodale Modelle (nur Laborwerte, nur SR‑PET oder nur CT) sowie multimodale Fusionsmodelle, die alle drei Datenquellen kombinieren. Die Erklärbarkeit der Modelle wurde mittels Feature‑Importance‑Analyse und Gradienten‑Maps untersucht.

Von den Patienten hatten 42 (36 %) eine kurze PFS (< 1 Jahr) und 74 (64 %) eine lange PFS (> 1 Jahr). Die beiden Gruppen unterschieden sich hauptsächlich in höheren Ausgangswerten von Chromogranin‑A (p = 0,003), erhöhtem Gamma‑GT (p = 0,002) und einer geringeren Anzahl an PRRT‑Zyklen (p < 0,001) bei den Kurz‑PFS‑Patienten.

Das Random‑Forest‑Modell, das ausschließlich Laborwerte nutzte, erreichte einen AUROC von 0,59 ± 0,02. Unimodale 3‑D‑CNN‑Modelle, die nur SR‑PET (AUROC = 0,42 ± 0,03) oder nur CT (AUROC = 0,54 ± 0,01) verarbeiteten, erzielten schlechtere Ergebnisse.

Das multimodale Fusionsmodell, das Laborwerte, SR‑PET und CT – ergänzt durch einen vortrainierten CT‑Branch – kombinierte, erzielte die besten Vorhersagen und übertraf damit die unimodalen Ansätze deutlich.