Eine klinische Hypothese besagt, dass Krebspatientinnen und -patienten unter einer Therapie mit Immun-Checkpoint-Inhibitoren (ICI) ein erhöhtes Risiko für die Entwicklung einer Atherosklerose aufweisen. Zur Überprüfung dieser Hypothese setzen Klinikerinnen und Kliniker die PET/CT-Bildgebung in Kombination mit manuellen Stichprobenverfahren ein, die arbeitsintensiv und untersucherabhängig sind und sich nur schwer in großem Maßstab reproduzieren lassen. In der vorliegenden Arbeit entwickeln wir eine vollautomatisierte Pipeline, welche die manuelle Auswahl von Regions of Interest durch eine objektive, das gesamte Volumen erfassende Extraktion der arteriellen FDG-Aufnahme ersetzt; dazu kombinieren wir eine Deep-Learning-basierte anatomische Segmentierung mit einer Reihe morphologischer Filter, die gemeinsam mit medizinischen Expertinnen und Experten entwickelt wurden. Wir wenden diese Pipeline auf eine longitudinale Kohorte von 64 ICI-behandelten Patientinnen und Patienten an, für die jeweils gepaarte Aufnahmen vor und nach der Therapie vorliegen, und prüfen die Hypothese anhand von fünf komplementären Filterverfahren. Im Gegensatz zu früheren manuellen Studien,einschließlich vorangegangener Arbeiten am selben Datensatz, finden wir keine statistisch signifikante Zunahme der aortalen Aufnahme nach der Therapie. Wir stellen jedoch eine statistisch signifikante Zunahme in der Schilddrüse fest – ein Prozess, der als ICI-induzierte Thyreoiditis bekannt und in der Literatur beschrieben ist. Dies zeigt, dass die Pipeline reale Therapieeffekte weiterhin detektiert, das Nullergebnis also nicht bloß ein Artefakt einer unzureichenden Methode darstellt. Allgemeiner belegen unsere Ergebnisse den Nutzen einer reproduzierbaren, das gesamte Volumen erfassenden Quantifizierung in der kardioonkologischen Bildgebung
de
A clinical hypothesis claims that cancer patients treated with immune checkpoint inhibitor (ICI) therapy are at increased risk of developing atherosclerosis. To test this, clinicians use PET/CT imaging together with manual sampling procedures that are labor-intensive, operator-dependent, and hard to reproduce at scale. In this thesis, we develop a fully automated pipeline that replaces manual region-of-interest selection with objective, full-volume extraction of arterial FDG uptake, i.e., we combine deep-learning-based anatomical segmentation with a set of morphological filters designed together with medical experts. We apply it to a longitudinal cohort of 64 ICI-treated patients, each with paired pre- and post-therapy scans, and we test the hypothesis across five complementary filtering methods. In contrast to previous manual studies, including previous work on the same dataset, we find no statistically significant increase in aortic uptake after therapy. However, we find a statistically significant increase in the thyroid gland, a process known and reported in the literature as ICI-induced thyroiditis, indicating that the pipeline still detects real treatment effects, so the null is not just an artifact of a weak method. More generally, our results show the value of reproducible full-volume quantification in cardio-oncology imaging.
en
Additional information:
Arbeit an der Bibliothek noch nicht eingelangt - Daten nicht geprüft Abweichender Titel nach Übersetzung der Verfasserin/des Verfassers
