Universität zu Köln

Garben, Julius ORCID: 0009-0002-5575-7126 (2026). MR-Radiomics-based Prediction of Long-term Treatment Response of Vestibular Schwannoma after Stereotactic Radiosurgery. PhD thesis, Universität zu Köln.

PDF (MR-Radiomics-based Prediction of Long-term Treatment Response of Vestibular Schwannoma after Stereotactic Radiosurgery) dissertation_jbgarben.pdf - Published Version Download (2MB)

Abstract

Vestibularis-Schwannome (VS) sind gutartige Tumoren des achten Hirnnervs, bei deren Behandlung sich das Therapieziel sich in den letzten Jahrzehnten zunehmend von der vollständigen Tumorresektion hin zum Funktionserhalt verschoben hat. Die stereotaktische Radiochirurgie (SRS) stellt heute insbesondere für kleine und mittelgroße Tumoren eine etablierte Behandlungsoption mit gutem Therapieansprechen und vergleichsweise günstigem periinterventionellen Risikoprofil dar. Dennoch zeigen einzelne Tumoren nach SRS einen unerwünschten Verlauf in Form einer Progression, welche sich derzeit prospektiv nicht zuverlässig von einer Pseudoprogression, einer transienten Volumenzunahme ohne Zellvermehrung, abgrenzen lässt. Eine prädiktive Einschätzung des Therapieansprechens vor Behandlungsbeginn existiert bislang nicht. Ziel dieser Arbeit war es, zu untersuchen, ob sich das langfristige volumetrische Therapieansprechen von VS nach SRS mithilfe von MR-Radiomics-basierten Machine-Learning-Modellen anhand prätherapeutischer Magnetresonanz-Tomogramme (MRT) vorhersagen lässt. Grundlage hierfür bildet die Radiomics-Hypothese, nach der sich histologische und biologische Tumoreigenschaften in der Bildtextur widerspiegeln, die quantitativ erfassbar sind. In dieser retrospektiven Single-Center-Studie wurden 122 Patientinnen und Patienten mit VS eingeschlossen, die zwischen 2012 und 2022 mittels SRS (CyberKnife®) an der Uniklinik Köln therapiert wurden. Aus prätherapeutischen MRT-Sequenzen wurden standardisierte Radiomics-Merkmale gemäß den Richtlinien der Image Biomarker Standardization Initiative10 extrahiert. Zur Vorhersage der volumetrischen Verlaufsformen orientierten wir uns an den sechs Kategorien der vorgeschlagenen response-Kriterien von Rueß et. al. und fassten diese, nach klinischer Implikation gruppiert, in drei Gruppen zusammen: Progressive Disease (PD), Pseudoprogression (PP) und Local Control (LC) bei Vorliegen von Stable Disease, Partial Remission oder Complete Remission. Es wurden logistische Regressionsmodelle11,12 und Random-Forest-Klassifikatorenverwendet. Die Modellierung erfolgte unter Verwendung von nested cross-validation einschließlich Feature-Selektion und Hyperparameter-optimierung, um eine möglichst realistische Abschätzung der Generalisierbarkeit zu erreichen. Die besten Modelle erzielten für die Vorhersage einer progressiven Erkrankung (PD) eine gute prädiktive Leistung mit einer mittleren ROC-AUC von bis zu 0.83. Die Vorhersage der Pseudoprogression (PP) erreichte eine moderate Trennschärfe (ROC-AUC bis 0.69), und die der LC eine ROC-AUC von 0.64. Besonders häufig selektierte radiomics features waren statistische Merkmale der Graustufenverteilung, insbesondere auch aus wavelet-transformierten Sequenzen. Zusammenfassend zeigen die Ergebnisse, dass MR-Radiomics-basierte Machine-Learning-Modelle grundsätzlich in der Lage sind, das volumetrische Therapieansprechen von VS nach SRS mit moderater bis guter Genauigkeit vorherzusagen, insbesondere im Hinblick auf eine Tumorprogression. Auch wenn die Vorhersageleistung derzeit noch nicht für eine unmittelbare klinische Anwendung ausreicht, unterstützen die Ergebnisse die Radiomics-Hypothese und legen nahe, dass mit größeren, multizentrischen Datensätzen und der Einbeziehung von zusätzlichen non-radiomics Features ein klinisch anwendbares Entscheidungshilfesystem entwickelt werden könnte.

Item Type:	Thesis (PhD thesis)
Translated title:	Title Language MR-Radiomics-basierte Vorhersage des langfristigen Therapieansprechens bei Vestibularisschwannomen nach stereotaktischer Radiochirurgie German
Creators:	Creators Email ORCID ORCID Put Code Garben, Julius julius.garben@uk-koeln.de https://orcid.org/0009-0002-5575-7126 UNSPECIFIED
URN:	urn:nbn:de:hbz:38-810618
Date:	2026
Language:	English
Faculty:	Faculty of Medicine
Divisions:	Faculty of Medicine > Neurochirurgie > Klinik für Stereotaxie und funktionelle Neurochirurgie
Subjects:	Data processing Computer science Medical sciences Medicine
Uncontrolled Keywords:	Keywords Language Vestubular Schwannoma English Radiomics English Stereotactic Radiosurgery English SRS English VS English Machine Learning English Response Prediction English
Date of oral exam:	11 June 2026
Referee:	Name Academic Title Kocher, Martin Professor Dr. med. Goldbrunner, Roland Universitätsprofessor Dr. med.
Refereed:	Yes
URI:	http://kups.ub.uni-koeln.de/id/eprint/81061