Zielscheibenartiges Erscheinungsbild in der T2-gewichteten Bildgebung und Anzeichen einer tumorvaskulären Beteiligung: diagnostischer Wert für die Unterscheidung von HCC von anderen primären Leberkarzinomen
Cannella, R., Fraum, T.J., Ludwig, D.R. et al.
Eur Radiol (2021).
Verfügbar bei: https://link.springer.com/article/10.1007/s00330-021-07743-x
Schlagworte: Hepatozelluläres Karzinom, Intrahepatisches Cholangiokarzinom, Magnetresonanztomographie.
Klinische Fragestellung: Können das zielscheibenartige Aussehen in der T2-gewichteten Bildgebung und Anzeichen einer Tumorgefäßbeteiligung als potenzielle LI-RADS-Merkmale verwendet werden, um HCCs von Nicht-HCC-Malignitäten zu unterscheiden?
Vorgehen: Zielscheibenartiges Aussehen und Anzeichen einer Tumorgefäßinvasion wurden bei intrahepatischen Cholangiokarzinomen und kombinierten Hepatozellulären-Cholangiokarzinomen mit HCCs verglichen.
Methodik: Retrospektive Bewertung von 165 intrahepatischen Cholangiokarzinomen, 74 kombinierten Hepatozellulären-Cholangiokarzinomen und 136 HCCs (Kontrollgruppe). Zielscheibenartiges Aussehen und fünf Merkmale einer Tumorgefäßinvasion (Ummauerung, Verengung, Verziehung, Okklusion und Obliteration) wurden evaluiert und ihre Sensibilität und Spezifität berechnet.
Ergebnisse: Das zielscheibenartige Erscheinungsbild in der T2-gewichteten Bildgebung ist sehr spezifisch für Nicht-HCC-Malignome (97,3%-98,2%). Gefäßverziehung und Okklusion sind die spezifischsten unter den Merkmalen der Tumorgefäßinvasion für nicht-HCC-Malignome (97,1%-100% bzw. 99,3%). Im Gegensatz dazu hatten vaskuläre Ummauerung und Obliteration die höchsten Sensibilitäten (34,3%-37,2% bzw. 25,5%-29,7%).
Schlussfolgerung: Das zielscheibenartige Erscheinungsbild im T2-gewichtetem Bild, Gefäßverziehung und Okklusion zeigten eine hohe Spezifität für die Differenzierung zwischen Nicht-HCC-Malignomen und HCCs.
Implikationen: Zielscheibenartiges Aussehen in T2-gewichteten MRT-Bildern könnte als potenzielles LI-RADS-Bildgebungsmerkmal für die LR-M-Kategorie genutzt werden.
MRT Liver Imaging Reporting and Data System (LI-RADS) Version 2018: Auswirkungen und Reduzierung von zusätzlichen Merkmalen
van der Pol CB, Dhindsa K, Shergill R, Zha N, Ferri M, Kagoma YK, Lee SY, Satkunasingham J, Wat J, Tsai S.
Am J Roentgenol. (2021).
Verfügbar bei: https://www.ajronline.org/doi/10.2214/AJR.20.23031
Schlagworte: Hepatozelluläres Karzinom, Magnetresonanztomographie, Systemanalyse.
Klinische Fragestellung: Welche Auswirkungen haben zusätzliche Merkmale nach LI-RADS v2018 auf die MRT-Untersuchung? Können diese reduziert werden, ohne die Genauigkeit von LI-RADS zu verringern?
Vorgehen: Die diagnostische Gegenauigkeit der LI-RADS-Kategorien wurde mit und ohne zusätzliche Merkmale berechnet. Machine-Learning Algorithmen wurden verwendet, um nicht nützliche Nebenmerkmale zu identifizieren.
Methodik: Retrospektive Auswertung von 222 Leberläsionen für das Vorhandensein oder Fehlen von Haupt- und zusätzlichen MRT-Merkmalen nach LI-RADS v2018. Die LI-RADS-Kategorien und ihre jeweilige diagnostische Genauigkeit mit und ohne zusätzliche Merkmale wurden ermittelt. Machine-Learning Algorithmen wurden verwendet, um nicht nützliche zusätzliche Merkmale zu identifizieren. Performancemetriken von LI-RADS-Kategorien basierend auf verschiedenen Kombinationen von zusätzlichen Merkmalen wurden anschließend berechnet.
Ergebnisse: Der Prozentsatz der HCCs unterschied sich nicht signifikant, wenn man Hauptmerkmale allein oder mit zusätzlichen Merkmalen verwendet. Fünf nicht nützliche zusätzliche Merkmale wurden identifiziert: Corona-Anreicherung, Knoten-in-Knoten, Mosaik-Architektur, Blutprodukte in der Läsion und vermehrter Fettnachweis in der Läsion.
Schlussfolgerung /Implikationen: Mehrere zusätzliche Merkmale können aus LI-RADS v2018 für die MRT entfernt werden, ohne die diagnostische Genauigkeit zu beeinträchtigen.
Deep Learning mit 3D-Konvolutionalem neuronalen Netzwerk zur nichtinvasiven Vorhersage mikrovaskulärer Invasion beim hepatozellulären Karzinom
Zhang Y, Lv X, Qiu J, Zhang B, Zhang L, Fang J, Li M, Chen L, Wang F, Liu S, Zhang S.
J Magn Reson Imaging (2021).
Verfügbar bei: https://doi.org/10.1002/jmri.27538
Schlagworte: Hepatozelluläres Karzinom, Magnetresonanztomographie, Deep Learning, Mikrovaskuläre Invasion.
Klinische Fragestellung: Präoperative Vorhersage der mikrovaskulären Invasion bei HCC.
Methodik: Kontrastverstärkte MR-Studien von 237 Patienten mit pathologisch bestätigtem HCC nach chirurgischer Resektion wurden als Trainingsset für vier Deep-Learning-Modelle verwendet. Drei Modelle basierten jeweils auf einer einzigen MR-Sequenz. Das vierte Fusionsmodell kombinierte die drei MR-Sequenzen. Diese Modelle wurden verwendet, um das Vorhandensein oder Fehlen einer mikrovaskulären Invasion vorherzusagen.
Ergebnisse: Die höchste Vorhersagegenauigkeit wurde durch das Fusionsmodell mit 71% im Validierungsdatensatz erreicht mit einer Sensitivität von 55% und einer Spezifität von 81%.
Schlussfolgerung /Implikationen: Deep Learning kann zur präoperativen Vorhersage einer mikrovaskulären Invasion bei Patienten mit HCC verwendet werden.
Automatisierte Analyse multiparametrischer Magnetresonanztomographie/Magnetresonanz-Elastographie zur Vorhersage der nichtalkoholischen Steatohepatitis
Dzyubak B, Li J, Chen J, Mara KC, Therneau TM, Venkatesh SK, Ehman RL, Allen AM, Yin M.
J Magn Reson Imaging (2021).
Verfügbar bei: https://doi.org/10.1002/jmri.27549
Schlüsselwörter: MRE, NASH, PDFF, Lebersteifigkeit.
Klinische Frage: Automatisierte Analyse von Steatose und Lebersteifigkeit und Vorhersage von NASH mittels MRT.
Vorgehen: Die manuelle Analyse der Protonendichtefettfraktion (PDFF) und der Lebersteifigkeit in MR-Studien wurde mit einer vollautomatischen maschinellen Lernanalyse verglichen. Ein weiteres Modell wurde entwickelt, um NASH vorherzusagen.
Methodik: Prospektive Bewertung von 83 erwachsenen Patienten mit Adipositas und MR-Elastographie (MRE) bzw. chemical Shift MRT (CS-MRT). Alle Patienten hatten eine Leberbiopsie zur Diagnose einer NASH. PDFF und Lebersteifigkeit wurden von zwei Radiologen manuell berechnet. Ein automatisierter Algorithmus wurde für die automatisierte Region-of-Interest-Auswahl und Berechnung von PDFF und Lebersteifigkeit entwickelt. Ein weiteres Modell wurde erstellt, um die pathologisch diagnostizierte NASH basierend auf der Lebersteifigkeit und PDFF vorherzusagen.
Ergebnisse: Die Übereinstimmung zwischen den automatisierten Messungen und den Radiologen war hoch (R2 = 0,87 für Steifigkeit und R2 = 0,99 für PDFF). Die Fläche unter der ROC-Kurve für das NASH-Vorhersagemodell betrug 0,87.
Schlussfolgerung /Implikationen: NASH kann mit einem auf Lebersteifigkeit und PDFF MRT basierten, automatisierten maschinellen Algorithmus mittels MRE bzw. CS-vorhergesagt werden.
References