Universität zu Köln

Das Kirsten-Rat-Sarkom-Virus-Onkogen-Homolog (KRAS) ist eine häufig auftretende Mutation bei nicht-kleinzelligem Lungenkrebs (NSCLC) und beeinflusst die Krebsbehandlung und den Krankheitsverlauf. In dieser Studie wurde eine Machine-Learning-Pipeline (ML) auf radiomische Merkmale angewendet, die aus öffentlichen und internen CT-Bildern extrahiert wurden, um KRAS-Mutationen bei NSCLC-Patienten zu identifizieren. Beide Datensätze wurden mit parametrischen (t-Test) und nichtparametrischen statistischen Tests (Mann-Whitney-U-Test) sowie Techniken zur Dimensionsreduktion analysiert. Anschließend wurde die vorgeschlagene ML-Pipeline unter Verwendung einer fünffachen Kreuzvalidierung auf dem Trainingssatz (70/30-Trainings-/Testaufteilung) auf beide Datensätze angewendet, bevor sie auf dem anderen Datensatz validiert wurde. Die Ergebnisse zeigen, dass sich die radiomischen Merkmale zwischen den beiden Datensätzen trotz der Verwendung identischer Merkmalsextraktionsmethoden signifikant unterscheiden (Mann-Whitney-U-Test; p < 0,05). Die Übertragbarkeit des Modells ist daher schwierig zu erreichen, was sich bei externen Tests deutlich zeigte (F1-Score = 0,41). Es wurden Oversampling-, Undersampling-, Clustering- und Harmonisierungsverfahren angewendet, um die Datensätze auszugleichen und zu harmonisieren, jedoch ohne die Klassifizierung des Vorhandenseins von KRAS-Mutationen zu verbessern. Aufgrund nur eines einzigen moderaten Ergebnisses (höchster Test-F1-Score = 0,67) ist die Genauigkeit der KRAS-Vorhersage für die klinische Anwendung im Allgemeinen nicht ausreichend. In zukünftigen Arbeiten könnte die Komplexität der KRAS-Mutation durch die Berücksichtigung von Submutationen berücksichtigt werden. Oversampling-, Undersampling-, Clustering- und Harmonisierungsverfahren wurden angewendet, um die Datensätze auszugleichen und zu harmonisieren, konnten jedoch die Klassifizierung des Vorhandenseins von KRAS-Mutationen nicht verbessern. Aufgrund nur eines einzigen mäßigen Ergebnisses (höchster Test-F1-Score = 0,67) ist die Genauigkeit der KRAS-Vorhersage für die klinische Anwendung im Allgemeinen nicht ausreichend. In zukünftigen Arbeiten könnte die Komplexität der KRAS-Mutation durch die Berücksichtigung von Submutationen angegangen werden. Größere multizentrische Datensätze mit ausgewogenen Tumorstadien, einschließlich Datensätzen von mehreren Scannern, scheinen für die Erstellung robuster Vorhersagemodelle erforderlich zu sein.

German