Deep Learning basierte Körperkompositionsanalyse zur Outcome-Prädiktion bei Patienten mit malignem Melanom unter Immun-Checkpoint-Inhibitor-Therapie
Deep Learning basierte Körperkompositionsanalyse zur Outcome-Prädiktion bei Patienten mit malignem Melanom unter Immun-Checkpoint-Inhibitor-Therapie
![Open Access](/xmlui/themes/Fakultaeten//images/32px-Open_Access_logo_PLoS_white.svg.png)
dc.contributor.advisor | Luetkens, Julian A. | |
dc.contributor.author | Opheys, Nikola Sophie | |
dc.date.accessioned | 2023-06-29T13:59:51Z | |
dc.date.available | 2023-06-29T13:59:51Z | |
dc.date.issued | 29.06.2023 | |
dc.identifier.uri | https://hdl.handle.net/20.500.11811/10916 | |
dc.description.abstract | Ziel der Studie war es, den prognostischen Wert einer CT-basierten Bewertung der Körperzusammensetzung bei Patienten, die eine Immun-Checkpoint-Inhibitor-Therapie zur Behandlung einer metastasierten Erkrankung erhalten, mithilfe eines Deep-Learning-Ansatzes zu bestimmen. 107 Patienten mit Staging-CT-Untersuchungen vor dem Beginn der Checkpoint-Inhibition zwischen Januar 2013 und August 2019 wurden retrospektiv ausgewertet. Mithilfe einer automatisierten Deep-Learning-basierten Analyse für die Körperzusammensetzung wurden Parameter zur Schätzung der Skelettmuskelmasse (Skelettmuskelindex, SMI) und der Fettgewebekompartimente (Index des viszeralen Fettgewebes, VAI; Index des subkutanen Fettgewebes, SAI) aus der Staging-CT abgeleitet. Die Kohorte wurde anhand von geschlechtsspezifischen Median-Cut-off-Werten binarisiert. Patienten, die unter dem Medianwert lagen, wurden als Patienten mit niedrigem SMI, VAI bzw. SAI definiert. Die Auswirkungen auf das Ergebnis wurden anhand der Kaplan-Meier-Methode mit Log-Rank-Tests bewertet. Es wurde ein multivariables logistisches Regressionsmodell erstellt, um den Einfluss der Körperzusammensetzungsparameter auf die 3-Jahres-Mortalität zu testen. Patienten mit niedrigem SMI zeigten eine signifikant erhöhte 1-Jahres- (25 % gegenüber 9 %, p = 0,035), 2-Jahres- (32 % gegenüber 13 %, p = 0,017) und 3-Jahres-Mortalität (38 % gegenüber 19 %, p = 0,016). Es wurden keine signifikanten Unterschiede in Bezug auf die Fettgewebekompartimente festgestellt (3-Jahres-Mortalität: VAI, p = 0,448; SAI, p = 0,731). Bei der multivariablen Analyse blieben ein niedriger SMI (Hazard Ratio (HR), 2,245; 95% Konfidenzintervall (CI), 1,005-5,017; p = 0,049), das Neutrophilen-Lymphozyten-Verhältnis (HR, 1,170; 95% CI, 1,076-1,273; p < 0,001) und der Karnofsky-Index (HR, 0,965; 95% CI, 0,945-0,985; p = 0,001) als signifikante Prädiktoren für die 3-Jahres-Mortalität bestehen. Ein niedrigerer Skelettmuskelindex als Indikator für Sarkopenie war bei Patienten mit metastasiertem Melanom, die eine Immun-Checkpoint-Inhibitor-Therapie erhielten, mit einem schlechteren Ergebnis verbunden. | de |
dc.description.abstract | Deep Learning-Based Body Composition Analysis Predicts Outcome in Melanoma Patients Treated with Immune Checkpoint Inhibitors
Previous studies suggest an impact of body composition on outcome in melanoma patients. We aimed to determine the prognostic value of CT-based body composition assessment in patients receiving immune checkpoint inhibitor therapy for treatment of metastatic disease using a deep learning approach. One hundred seven patients with staging CT examinations prior to initiation of checkpoint inhibition between January 2013 and August 2019 were retrospectively evaluated. Using an automated deep learning-based body composition analysis pipeline, parameters for estimation of skeletal muscle mass (skeletal muscle index, SMI) and adipose tissue compartments (visceral adipose tissue index, VAI; subcutaneous adipose tissue index, SAI) were derived from staging CT. The cohort was binarized according to gender-specific median cut-off values. Patients below the median were defined as having low SMI, VAI, or SAI, respectively. The impact on outcome was assessed using the Kaplan–Meier method with log-rank tests. A multivariable logistic regression model was built to test the impact of body composition parameters on 3-year mortality. Patients with low SMI displayed significantly increased 1-year (25% versus 9%, p = 0.035), 2-year (32% versus 13%, p = 0.017), and 3-year mortality (38% versus 19%, p = 0.016). No significant differences with regard to adipose tissue compartments were observed (3-year mortality: VAI, p = 0.448; SAI, p = 0.731). On multivariable analysis, low SMI (hazard ratio (HR), 2.245; 95% confidence interval (CI), 1.005–5.017; p = 0.049), neutrophil-to-lymphocyte ratio (HR, 1.170; 95% CI, 1.076–1.273; p < 0.001), and Karnofsky index (HR, 0.965; 95% CI, 0.945–0.985; p = 0.001) remained as significant predictors of 3-year mortality. Lowered skeletal muscle index as an indicator of sarcopenia was associated with worse outcome in patients with metastatic melanoma receiving immune checkpoint inhibitor therapy. | en |
dc.language.iso | eng | |
dc.language.iso | deu | |
dc.rights | Namensnennung 4.0 International | |
dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
dc.subject | oncologic imaging | |
dc.subject | CT | |
dc.subject | imaging biomarkers | |
dc.subject | sarcopenia | |
dc.subject | artificial intelligence | |
dc.subject.ddc | 610 Medizin, Gesundheit | |
dc.title | Deep Learning basierte Körperkompositionsanalyse zur Outcome-Prädiktion bei Patienten mit malignem Melanom unter Immun-Checkpoint-Inhibitor-Therapie | |
dc.type | Dissertation oder Habilitation | |
dc.publisher.name | Universitäts- und Landesbibliothek Bonn | |
dc.publisher.location | Bonn | |
dc.rights.accessRights | openAccess | |
dc.identifier.urn | https://nbn-resolving.org/urn:nbn:de:hbz:5-71304 | |
dc.relation.doi | https://doi.org/10.3390/diagnostics11122314 | |
ulbbn.pubtype | Erstveröffentlichung | |
ulbbnediss.affiliation.name | Rheinische Friedrich-Wilhelms-Universität Bonn | |
ulbbnediss.affiliation.location | Bonn | |
ulbbnediss.thesis.level | Dissertation | |
ulbbnediss.dissID | 7130 | |
ulbbnediss.date.accepted | 22.06.2023 | |
ulbbnediss.institute | Medizinische Fakultät / Kliniken : Radiologische Klinik | |
ulbbnediss.fakultaet | Medizinische Fakultät | |
dc.contributor.coReferee | Schade, Götz |
Files in this item
This item appears in the following Collection(s)
-
E-Dissertationen (1616)