Deep-Learning-basierte automatisierte Segmentierung der Muskelmasse auf Höhe LWK3 und Evaluation des Einflusses von Sarkopenie und Körperfettverteilung auf die Prognose von Patienten mit primären ZNS-Lymphomen

Abstract

Sarkopenie und Körperzusammensetzung kristallisieren sich zunehmend als prognostische Faktoren bei verschiedensten Tumorentitäten heraus. Sie scheinen sowohl Einfluss auf das Gesamtüberleben der Patienten zu haben, als auch postoperative Komplikationen und toxische Effekte der Systemtherapie vorhersagen zu können. Speziell hat sich die Analyse im CT auf Höhe LWK3 als ein weitverbreiteter Standard etabliert. Im Rahmen dieser Arbeit entwickelten wir eine Software, welche automatisiert die Muskelmasse auf Höhe LWK3 auswertet, um solche Analysen im Rahmen der Forschung zu beschleunigen und um eine Routineanwendung im klinischen Alltag zu ermöglichen. Die Besonderheit unserer künstlichen Intelligenz ist, dass sie dreidimensionale Bildinformationen berücksichtigt, um ein möglichst präzises Ergebnis zu erhalten. Zudem ist sie in der Lage, einzelne Muskelgruppen auf Höhe LWK3 zu segmentieren. Im zweiten Teil der Arbeit analysierten wir die Körperzusammensetzung bezogen auf Muskulatureigenschaften und Körperfettverteilung auf Höhe LWK3 anhand von 74 Patienten, welche zwischen 2013 und 2019 am Uniklinikum Magdeburg mit primärem ZNS-Lymphomen eine Systemtherapie erhielten. In der statistischen Analyse erreichte keiner der Parameter statistische Signifikanz für die Vorhersage von OS und PFS. Entsprechend ist anzunehmen, dass speziell bei primären ZNS-Lymphomen unter Systemtherapie kein Zusammenhang von der Körperzusammensetzung auf OS und PFS besteht. Bemerkenswerterweise lag die mediane PFS bei Patienten mit niedrigem SMI mit 2,5 Monaten deutlich niedriger als in der Gruppe mit normwertigem SMI mit 10 Monaten.