Radiogenomik: medizinische Bildgebung und genetische Informationen bündeln ihre Stärken

Innovationen in Genetik und Radiologie

Was bedeutet Omik?

Omik ist der Oberbegriff für Disziplinen, die unterschiedliche Aspekte biologischer Systeme umfassend untersuchen. Dazu gehören Genomik, Proteomik und Metabolomik, die Struktur, Funktion und Wechselwirkungen von Biomolekülen analysieren.

Was ist Radiomik?

Radiomik bezeichnet die Gewinnung großer Mengen quantitativer Merkmale aus medizinischen Bilddaten und deren Analyse. Sie soll helfen, die Heterogenität und Eigenschaften von Tumoren besser zu verstehen.

Was ist Genomik?

Genomik untersucht Struktur, Funktion und Wechselwirkungen des gesamten genetischen Materials eines Organismus, seines Genoms. Sie soll klären, wie Gene arbeiten, mit welchen Erkrankungen sie zusammenhängen und wie individuelle genetische Varianten die Gesundheit beeinflussen.

Was ist Radiogenomik?

Radiogenomik verbindet medizinische Bilddaten mit genomischen Informationen und untersucht deren Zusammenhänge. Sie wird zur Entwicklung personalisierter Ansätze in der Krebstherapie eingesetzt.

Könnte Radiogenomik der Schlüssel zur personalisierten Medizin sein?

Radiogenomik konzentriert sich auf die Beziehungen zwischen Genomen und bildgebenden Phänotypen. Sie wird breit eingesetzt, um Tumorheterogenität zu erfassen sowie Immunantwort und Krankheitsprogression vorherzusagen. Sie ist eine zwangsläufige Folge des Trends zur personalisierten Medizin: Sie kostet weniger als herkömmliche genetische Sequenzierung und erfasst den gesamten Tumor statt begrenzter Biopsieproben. Indem sie genetische Informationen über Voxel, also dreidimensionale Bildpunkte, liefert, kann sie eine auf heterogene Tumoren oder Tumorgruppen gerichtete individuelle Therapie ermöglichen. Neben der quantitativen Bewertung von Läsionen kann sie gutartige und bösartige Veränderungen sowie Patientenmerkmale unterscheiden. Dadurch lassen sich Patienten nach ihrem Risiko besser einteilen und präzisere Bildgebung und Früherkennung ermöglichen. In diesem Artikel charakterisieren wir die Anwendung der Radiogenomik in onkologischer Diagnostik, Therapieplanung und Bewertung aus einer Multi-Omik-Perspektive. Wir diskutieren auch Herausforderungen, Umfang und klinische Anwendbarkeit dieser Methoden.

Wie die Genomrevolution die Medizin veränderte

Seit der Genomrevolution Anfang der 1990er-Jahre konzentriert sich die Krebsforschung auf genetische Krankheitsursachen, um personalisierte Therapien zu ermöglichen. Nach Abschluss des Humangenomprojekts entwickelte sich die Genomik in eine stärker funktionelle Richtung und konzentrierte sich auf Expressionsprofile und Aufgaben von Genen und Proteinen. Unser Verständnis der Krebsgenetik hat die Sicht auf die Erkrankung und ihre Behandlung verändert. Projekte wie der Krebsgenomatlas (TCGA) nutzten zahlreiche Proben, um für viele Krebsarten umfangreiche transkriptomische, epigenomische und proteomische Daten bereitzustellen. Herkömmliche genetische Analysen beruhen jedoch auf invasiven Biopsien oder nach einer Operation gewonnenem pathologischem Gewebe. Dies birgt Risiken und mögliche Komplikationen und ist deshalb nicht bei jedem Krebspatienten durchführbar.

Tumorheterogenität berücksichtigen

Wegen intra- oder intertumoraler Heterogenität erfassen Gewebebiopsien wichtige genetische Veränderungen möglicherweise nicht zuverlässig. Die Proben stammen meist nur aus einem kleinen Teil heterogener Läsionen und bilden deren anatomische, funktionelle und physiologische Eigenschaften eventuell nicht korrekt ab. Vor allem lässt sich während einer Therapie nicht mehrfach Gewebe entnehmen, um das Ansprechen zu untersuchen. Die Einbindung genomischer oder proteomischer Profile in die allgemeine klinische Praxis bleibt daher schwierig.

Die Entstehung radiomischer Lösungen

Medizinische Bildgebung ist für Forschung und klinische Praxis unverzichtbar. Ihre Rolle entwickelt sich jedoch rasch von einem wichtigen Diagnoseinstrument zu einer tragenden Säule personalisierter Medizin. Konventionelle Befundung beruht auf qualitativen Merkmalen wie Tumordichte, Kontrastmittelmustern, Regelmäßigkeit der Tumorgrenzen, zellulären und zellfreien Komponenten, Beziehungen zu umgebenden Strukturen und anatomischen Veränderungen. Radiomik ermöglicht dagegen, aus vierkanaligen Bildern quantitative Informationen wie Intensitäts-, Textur-, Form- und Größenmaße digital zu erschließen.

Die 2012 eingeführte Radiomik soll Tumorheterogenität beschreiben und vorhersagen. Dafür extrahiert sie mit Hochdurchsatzalgorithmen quantitative Bildmerkmale und filtert, gruppiert und analysiert diese Daten. Trotz der Fortschritte bei der Umwandlung digitaler medizinischer Bilder in vielfältige relevante Daten bestehen wesentliche Hindernisse bei der biologischen Interpretation radiomischer Merkmale.

Integration unterschiedlicher Daten

Mit dem nächsten Zeitalter von Big Data und personalisierter Medizin haben viele Fachleute das Konzept „Radiogenomik“ vorgeschlagen. Es entwickelt Verbindungen auf mehreren Skalen zwischen medizinischen Bilddaten und Genomdaten und lässt sich als Kombination aus Radiomik und Genomik verstehen, die die genannten Defizite aufgreift. In den letzten zehn Jahren hat sich das Gebiet stark entwickelt. Es zeigt Potenzial für nichtinvasive prognostische und diagnostische Ansätze, indem quantitative Bildmerkmale mit genomischen Signaturen verknüpft und insbesondere therapeutische Krebsbiomarker identifiziert werden. Verbesserte molekulare Charakterisierung verschiedener Tumoren sowie Fortschritte in Texturanalyse und maschinellem Lernen bereiten den Weg von der Krebsdiagnostik zur personalisierten Medizin mithilfe der Radiogenomik.

Seit der Genomrevolution Anfang der 1990er-Jahre konzentriert sich die Krebsforschung auf genetische Krankheitsursachen. Nach Abschluss des Humangenomprojekts entwickelte sich die Genomik in eine funktionellere Richtung und befasste sich mit Expressionsprofilen und Aufgaben von Genen und Proteinen. Unser Verständnis der Krebsgenetik veränderte die Sicht auf die Erkrankung und ihre Behandlung. Projekte wie der Krebsgenomatlas (TCGA) nutzten zahlreiche Proben, um umfangreiche transkriptomische, epigenomische und proteomische Daten zu vielen Krebsarten zu gewinnen. Konventionelle genetische Analysen benötigen jedoch invasive Biopsien oder nach Operationen gewonnenes pathologisches Gewebe. Das birgt Risiken und mögliche Komplikationen und ist nicht bei jedem Patienten möglich. Intra- oder intertumorale Heterogenität kann zudem verhindern, dass Gewebebiopsien wichtige genetische Veränderungen zuverlässig erfassen. Meist repräsentieren Proben nur einen kleinen Teil heterogener Läsionen und deren anatomische, funktionelle und physiologische Merkmale möglicherweise nicht korrekt. Vor allem lässt sich während der Therapie nicht mehrfach Gewebe zur Untersuchung des Ansprechens entnehmen. Genomische oder proteomische Profile in die allgemeine klinische Praxis einzubinden bleibt deshalb schwierig.

Medizinische Bildgebung ist eine wesentliche Technologie in Forschung und Versorgung. Ihre Rolle wandelt sich jedoch rasch vom wichtigen diagnostischen Werkzeug zur tragenden Säule personalisierter Medizin. Konventionelle Befundung nutzt qualitative Merkmale wie Tumordichte, Kontrastmittelmuster, Regelmäßigkeit der Grenzen, zelluläre und zellfreie Tumorkomponenten, anatomische Beziehungen zur Umgebung und anatomische Veränderungen. Die rasch wachsende Radiomik erschließt dagegen aus vierkanaligen Bildern digitale quantitative Informationen zu Intensität, Textur, Form und Größe. Die 2012 eingeführte Technologie extrahiert mit Hochdurchsatzalgorithmen quantitative Bildmerkmale und filtert, gruppiert und analysiert sie, um Tumorheterogenität zu beschreiben und vorherzusagen. Trotz der Fortschritte bei der Umwandlung digitaler medizinischer Bilder in unterschiedliche relevante Daten bleiben erhebliche Hindernisse für die biologische Interpretation radiomischer Merkmale.

Im nächsten Zeitalter von Big Data und personalisierter Medizin haben viele Fachleute „Radiogenomik“ als Konzept vorgeschlagen. Sie entwickelt Verbindungen auf mehreren Skalen zwischen Bildgebung und Genomdaten. Als Kombination aus Radiomik und Genomik greift sie die oben genannten Defizite auf. Das Gebiet hat sich im letzten Jahrzehnt stark entwickelt und zeigt Potenzial für nichtinvasive Prognose- und Diagnoseverfahren, indem quantitative Bildmerkmale mit genomischen Signaturen verknüpft und insbesondere therapeutische Krebsbiomarker ermittelt werden. Verbesserungen der molekularen Charakterisierung verschiedener Tumoren sowie Fortschritte der Texturanalyse und des maschinellen Lernens bereiten die Krebsdiagnostik darauf vor, sich mithilfe der Radiogenomik zur personalisierten Medizin zu entwickeln.

Überblick über radiogenomische Arbeitsabläufe

Radiogenomik verbindet Bilddaten, die Krankheitsphänotypen quantitativ abbilden, mit Genomdaten zu molekularen Aktivitäten. So werden Beziehungen zwischen Genom- und Bildmerkmalen hergestellt. Ihre Analyse und Verdichtung soll Erkenntnisse über den genetischen Hintergrund und die Entwicklung von Erkrankungen liefern. Die Werkzeuge und Methoden werden im Folgenden genauer vorgestellt. Im Jahr 2012 führten Lambin und Kollegen das Konzept der Bildgenomik formal ein: Durch automatisierte Hochdurchsatz-Merkmalsextraktion werden medizinische Bilder in große Mengen an Merkmalsinformationen umgewandelt, um deren biologische Bedeutung zu untersuchen und klinische Entscheidungen zu unterstützen. Der radiogenomische Ablauf umfasst: (i) Bilderfassung, vergleichbar mit der „Fallregistrierung“ in klinischen Studien. Dazu dienen Röntgen, Ultraschall, Magnetresonanztomographie (MRI) und Positronenemissionstomographie (PET)/CT; (ii) manuelle, halbautomatische oder vollautomatische Bildsegmentierung; (iii) Extraktion und Beschreibung hochdimensionaler Bildmerkmale zur quantitativen Charakterisierung von Interessensregionen als Kern der Bildhistologie; (iv) Merkmalsauswahl und Modellbildung; (v) klinische Anwendungen, insbesondere Tumorklassifikation, Stadieneinteilung und Prognosevorhersage (Abbildung 1).

Radiomik und Genomik: Überblick über verschiedene Omik-Bereiche

Die Entwicklung radiogenomischer Technologien hat in den letzten Jahren einen Paradigmenwechsel bei der Erforschung klinischer Radiomikanwendungen aus einer Multi-Omik-Perspektive ausgelöst. Fathi und Kollegen kombinierten klinische Informationen, MGMT-Methylierung, radiomische und genetische Daten, um klinische Ergebnisse bei neu diagnostiziertem GBM präzise zu modellieren. Die Untersuchung charakterisierte die radiogenomische Anwendung in der Präzisionsmedizin mit einem Multi-Omik-Ansatz zur genauen Einteilung von Risikogruppen. Wir gliedern Radiogenomik in dieser Übersicht deshalb in drei Hauptkomponenten. Wir durchsuchten PubMed und Web of Science nach relevanten Artikeln aus den Jahren 2017 bis 2022 mit einem Impact Factor (IF) über 5.

Radiogenomische Modelle zur Vorhersage von Genmutationen

Genmutationen zu erkennen ist für Krebsdiagnose, Therapieauswahl und Wirksamkeitskontrolle wichtig. Am häufigsten dient dazu eine Gewebebiopsie, die invasiv, teuer und zeitaufwendig und daher nicht für alle Patienten geeignet ist. Radiomik bedeutet hingegen, aus standardmäßigen radiologischen Untersuchungen verschiedener Bildgebungsmodalitäten automatisch große Mengen fortgeschrittener quantitativer Merkmale zu extrahieren und zu analysieren. Radiogenomik verbindet Radiomik und Genomik zu einem neuen Gebiet, das Präzisionsmedizin erleichtert. Weitere Forschung zur radiomischen Mutationsvorhersage ist daher nötig, um Krebs wirksamer zu erkennen. Dieser Abschnitt fasst den aktuellen Kenntnisstand zur Vorhersage von Genmutationen bei Hirn-, Lungen-, kolorektalen, Brust- und Nierentumoren kurz zusammen. Die meisten Studien befassen sich mit Einzelnukleotidveränderungen sowie Insertions-/Deletionsmutationen (Indels).

Einzelnukleotid-Polymorphismen (SNP) sind die am häufigsten untersuchten genomischen Varianten. Es handelt sich um Veränderungen einzelner Basenpaare, die kodierende und nichtkodierende DNA sowie die Proteinexpression beeinflussen können. GWAS sind molekulargenetische Studien, die Millionen SNP im Genom für genetische Analysen verwenden. Sie vergleichen diese als molekulargenetische Biomarker, um Varianten zu finden, die komplexe Merkmale beeinflussen. Seibold und Kollegen bewerteten in der Replikationsphase radiogenomisch die zehn wichtigsten SNP in vier Genen bei 1883 Brustkrebspatienten und validierten sie anschließend bei 753 weiteren Patienten. Sie fanden, dass rs2682585 eng mit später Hauttoxizität und der allgemeinen toxischen Reaktion verbunden 

war. Kerns und Kollegen entdeckten entsprechend, dass die Gene AGT, COG2, CAPN9, ARV1, AL512328.1 und LOC101927604 bei Prostatakrebs mit einer nach Bestrahlung fortschreitenden radiotoxischen Hämaturie zusammenhängen könnten.

Da für genomische Untergruppen des nichtkleinzelligen Lungenkarzinoms (NSCLC) spezifische Therapien verfügbar sind, ist die Genotypisierung für Therapieentscheidungen entscheidend. Radiogenomik könnte eine schnelle nichtinvasive Genotypisierung ermöglichen. Mutationen des epidermalen Wachstumsfaktorrezeptors (EGFR) und Umlagerungen der anaplastischen Lymphomkinase (ALK) sind wichtige Marker für die Behandlung mit Tyrosinkinase-Inhibitoren (TKI). Lv und Kollegen bestätigten, dass ein niedriger pSUVmax mit mutiertem EGFR zusammenhängt und zusammen mit weiteren klinischen Faktoren bei manchen Patienten ohne mögliche EGFR-Testung die Unterscheidung des Mutationsstatus verbessern könnte. In die retrospektive Studie wurden 849 NSCLC-Patienten mit EGFR- oder ALK-Veränderungen eingeschlossen. Zhang und Kollegen extrahierten mit LIFEx 47 PET- und 45 CT-Merkmale und kombinierten sie mit klinischen Variablen zu einem Modell mit hoher EGFR-Vorhersagekraft. In einer weiteren Untersuchung sagte das Team EGFR-Mutationen anhand von 485 quantitativen Texturmerkmalen aus CT-Bildern der Trainingsgruppe voraus; das auf bildhistologischen Merkmalen beruhende Modell zeigte eine ausgezeichnete Leistung. Nair und Kollegen entwickelten ein bildgenomisches Modell zur EGFR-Mutationserkennung mit CT und 18F-FDG-PET-CT. Das FDG-PET-Modell unterschied Wildtyp und mutiertes EGFR mit einer guten AUC von 0,8. Insgesamt zeigen FGD-PET und CT eine starke Leistung bei der Erkennung von EGFR-Mutationen und ALK-Umlagerungen in NSCLC-Tumoren.

Die steigende Inzidenz des kolorektalen Karzinoms (CRC) stellt zusammen mit seiner Morbidität und Mortalität eine große therapeutische Herausforderung dar. Bildgenomische Studien zum KRAS-Mutationsstatus bei CRC finden seit einigen Jahren viel Beachtung. Shin und Kollegen beobachteten Zusammenhänge von Polypenmorphologie, vergrößerter axialer Länge, erhöhtem axial-longitudinalem Verhältnis und N2-Lymphknotenstatus mit KRAS-Mutationen. Lubner und Kollegen untersuchten anschließend 77 CRC-Lebermetastasen und fanden Korrelationen von Texturparametern mit Tumorgrad, Serumspiegel des karzinoembryonalen Antigens (CEA) und KRAS-Mutationsstatus. Yang und Kollegen modellierten und analysierten bei 117 CRC-Patienten den Zusammenhang von Genmutationen mit klinischem Hintergrund, Stadium und histologischer Differenzierung. Die Ergebnisse legten Zusammenhänge bildhistologischer Merkmale mit KRAS/NRAS/BRAF-Mutationen nahe. CT könnte damit Informationen zum CRC-Tumorgenotyp liefern und präzisere Therapie ermöglichen.

Die genannten Untersuchungen zeigen für mehrere Krebsarten einen guten Vorhersagewert konventioneller und bildhistologischer Merkmale für Genmutationen. Obwohl sie nicht durch eine Pankreasbiopsie ersetzt werden können, könnten sie dank ihrer nichtinvasiven und wiederholbaren Anwendung klinische Therapieentscheidungen unterstützen. Viele bislang unentdeckte strahlenempfindliche SNP könnten die klinische Anwendung jedoch begrenzen.

Radiomische Anwendungen in der Transkriptomik

Um die unterschiedlichen Aufgaben einzelner Gene zu verstehen, braucht es Transkriptomik: die Untersuchung von Genexpressionsmustern auf Transkriptionsebene in bestimmten Organismen oder Zellen unter bestimmten Bedingungen. Sie hilft, Unterschiede der Genexpression zwischen gesunden und erkrankten Menschen zu verstehen. Indem Forscher untersuchen, welche Gene bei welchen Gruppen aktiviert oder deaktiviert sind, erhalten sie Hinweise auf den Einfluss solcher Unterschiede auf die Krankheitsprogression. Transkriptomische Biomarker müssen weiter untersucht werden, um die Krebsdiagnostik präziser zu unterstützen. Dieser Abschnitt gibt einen kurzen Überblick über transkriptionelle Biomarker bei Hirn- und Nierentumoren.

Weil die klinische Bedeutung mancher häufiger Mutationen unbekannt ist, ist ihre Nutzung als Biomarker begrenzt. Transkriptionelle Biomarker eignen sich dagegen besonders zur Einteilung von ccRCC in klinisch relevante molekulare Untergruppen. Brooks und Kollegen entwickelten eine Expressionssignatur aus 34 Genen, um lokalisiertes ccRCC in Gruppen mit hohem und niedrigem Risiko aufzuteilen. Jamshidi und Kollegen nutzten zudem den GSEA-Algorithmus, um mithilfe von MR-Bildmerkmalen verschiedene onkogene Signalwege zu identifizieren. Es fanden sich Korrelationen zwischen 34 Genloci mit übereinstimmenden Variationen der Gendosis und mRNA-Expression. Daraus entstand für GBM eine radiogenomische Beziehungskarte von MR-Bildgebung, mRNA und CNV. Eine weitere Untersuchung erforschte beim hepatozellulären Karzinom die Transkriptomik, indem 18F-Fluorcholin-PET/CT-Phänotypen mit molekularen Merkmalen und möglichen Überlebenszusammenhängen verknüpft wurden. Yamamoto und Kollegen erstellten bei Brustkrebs entsprechend eine Karte von MR-Bildphänotypen und globalen Genexpressionsmustern und beschrieben Zusammenhänge mit interessierenden Gensets. Außerdem fanden sie Beziehungen von MR-Randverstärkungsmerkmalen zu acht lncRNA, darunter HOX transcript antisense RNA (HOTAIR).

Kombination von Radiomik und Epigenetik

Wie epigenetische Veränderungen die Krebsentstehung steuern, ist ein intensiv untersuchtes Forschungsfeld. Im Gegensatz zu genetischen Mutationen sind epigenetische Modifikationen umkehrbar und daher attraktive Interventionsziele. Epigenetische Mechanismen initiieren und fördern Krebs; epigenetische Vielfalt begünstigt dynamische Genexpressionsmuster, die Tumorevolution und Anpassung unterstützen. Radiogenomik bietet neue Ansätze zur Untersuchung wichtiger Beziehungen zwischen epigenetischen Merkmalen und klinisch-pathologischen Tumoreigenschaften. Dies unterstreicht das Potenzial epigenetischer Marker als Biomarker personalisierter Medizin.

Cen und Kollegen erstellten ein Modell des klarzelligen Nierenkarzinoms, um Beziehungen zwischen CT-Merkmalen, RUNX3-Methylierung und Überleben zu untersuchen. Unscharfe Tumorgrenzen, linksseitige Tumoren und intratumorale Gefäße sagten eine erhöhte RUNX3-Methylierung signifikant voraus. Kanas und Kollegen zeigten zudem beim Glioblastom eine Beziehung zwischen üblichen präoperativen MRI-Variablen und dem MGMT-Methylierungsstatus.

Ein besseres Verständnis epigenetischer Mechanismen und der Wechselwirkungen zwischen epigenetischer Omik und Radiomik könnte insgesamt neue Erkenntnisse für radiogenomische Strategien liefern.

Klinische Anwendungen

Seit Beginn dieses Jahrzehnts hat die radiogenomische Forschung beträchtliche Fortschritte gemacht und ihr Potenzial zur deutlichen Verbesserung der Versorgung hervorgehoben. Da das Gebiet noch in den Anfängen steckt, ist sein volles klinisches Potenzial bislang nicht verwirklicht. Viele Studien zeigen jedoch vielversprechende Ergebnisse früher klinischer Anwendungen. Wir durchsuchten PubMed und Web of Science nach relevanten Artikeln aus den Jahren 2017 bis 2022 mit einem Impact Factor (IF) über 5.

Beziehung zwischen bildgebenden und molekularen Phänotypen

Ein präziser molekularer Phänotyp ist Voraussetzung einer zielgerichteten Therapie. Wegen der Heterogenität bösartiger Tumoren spiegeln kleine Biopsieproben deren Genmutationen nur schwer korrekt wider. Radiogenomik soll dies verbessern, indem sie Beziehungen zwischen Bildmerkmalen, dem bildgebenden Phänotyp, und molekularen Tumormarkern, dem molekularen Phänotyp, erschließt.

Der Nachweis von IDH1-Mutationen ist für Diagnose und Prognose von Gliomen sehr wichtig. GBM kann nach dem Isocitrat-Dehydrogenase-Status (IDH) in IDH-Wildtyp oder IDH-mutierten Typ eingeteilt werden. Die meisten Untersuchungen sagten den IDH-Status mittels MR-Bildgebung mit mäßigem Erfolg voraus. Die vorliegende Studie nutzte maschinelles Lernen mit klinischen Faktoren und multimodalen MRI-Merkmalen zur Vorhersage von IDH-Genotypen in hochgradigen Gliomen. Zhang und Kollegen erstellten beispielsweise aus klinischen Daten und multimodalen präoperativen Bildmerkmalen einen Random-Forest-Klassifikator. Chang und Kollegen verwendeten Deep Learning mit konventioneller MR-Bildgebung, um den IDH-Genotyp bei Gliomen vom Grad II-IV nichtinvasiv vorherzusagen. Ein solches Modell könnte als nichtinvasive Ergänzung invasiver Gewebeproben dienen und die Betreuung früher sowie im Verlauf erleichtern.

Perou und Kollegen schlugen erstmals die molekularen Brustkrebsuntertypen Luminal A, Luminal B, HER2-angereichert und basalähnlich vor, um Unterschiede bei Therapieansprechen und Behandlungsergebnissen zu erklären (Abbildung 2). Viele spätere Studien bestätigten ihre klinische Bedeutung und dass Entscheidungen über Chemo-, endokrine und HER2-gerichtete Therapie teilweise mit diesen Untertypen übereinstimmen. Mazurowski und Kollegen untersuchten 48 Patienten aus einem Krebsbildarchiv und gewannen 23 DCE-MRI-Merkmale. Dynamische Kontrastmittelmerkmale waren mit Luminal-B-Brustkrebs verbunden: Die Kontrastmittelanreicherung der Läsion ist dabei im Verhältnis zur Hintergrundanreicherung des Parenchyms tendenziell höher. Leithner und Kollegen fanden, dass DWI-Merkmale wie Histogramme erster Ordnung und Grauwert-Kookkurrenzmatrizen Rezeptorstatus und molekulare Untertypen für Luminal B und HER2-angereicherte Tumoren genauer erkennen könnten. Xie und Kollegen unterschieden mit multiplanarer MR-Bildgebung und Tumorhistogrammanalyse triple-negativen Brustkrebs von anderen Untertypen und erzielten gute Genauigkeit gegenüber Luminal A und HER2-angereicherten Tumoren. Dilorenzo und Kollegen untersuchten den Wert der MRI-Hintergrundanreicherung des Parenchyms (BPE) für die Differenzialdiagnose: Eine geringe BPE wies auf Luminal-B- oder HER2-negative Subtypen hin, eine starke BPE auf triple-negativen Brustkrebs.

Neue biologische Erkenntnisse führten bei Medulloblastomen (MB) zur Definition von vier molekularen Untergruppen: sonic hedgehog (SHH), wingless (WNT), Gruppe 3 und Gruppe 4. Konventionelle Merkmale aus präoperativer multiparametrischer MRI wurden mit diesen Gruppen verknüpft und ermöglichten gruppenspezifische Nomogramme mit unterschiedlicher Vorhersagegenauigkeit. Auf präoperativer multiparametrischer Magnetresonanztomographie beruhende Nomogramme können die molekularen MB-Untertypen SHH und Gruppe 4 zuverlässig vorhersagen. Yan und Kollegen entwickelten Modelle des maschinellen Lernens zur Vorhersage molekularer MB-Subpopulationen. Die Ergebnisse zeigen das Potenzial solcher Algorithmen für eine nichtinvasive Vorhersage.

Radiogenomik zur Bewertung der Wirksamkeit onkologischer Therapien und zur Therapieauswahl

In den letzten Jahren gab es beispiellose Fortschritte der radiogenomischen Forschung. Bildmerkmale des Tumorgewebes ermöglichten eine präzise Vorhersage des Ansprechens auf unterschiedliche Therapien wie Chemo-, Strahlen-, zielgerichtete und Immuntherapie.

Immuntherapie

Die Bildgenomik mit 18F-FDG-PET/CT wird zunehmend zur Vorhersage der PD-1/PD-L1-Expression untersucht und eingesetzt. Neuere Studien zeigen, dass ein mittels Deep Learning ermittelter Score (DLS) die IHC-Bestimmung von PD-L1 zur individuellen Therapieentscheidung ersetzen könnte. Dall’Olio und Kollegen zeigten entsprechend, dass ein gesamtes metabolisches Tumorvolumen (tMTV) ≥ 75 cm3 bei fortgeschrittenem NSCLC mit hoher PD-L1-Expression als Biomarker einer schlechten Prognose dienen könnte. Dies kann helfen, Patienten zu erkennen, die zusätzlich zu Pembrolizumab von einer Chemotherapie profitieren könnten.

Neoadjuvante systemische Therapie

Neoadjuvante systemische Therapie (NST) ist eine Standardbehandlung bei lokalisiertem und fortgeschrittenem Brustkrebs. Sie verkleinert Tumoren und erhöht die Chancen auf eine brusterhaltende Operation. Allerdings profitieren nur wenige Brustkrebspatienten, weil manche biologisch aggressiven Läsionen nach NST nicht wirksam kontrolliert werden. Geeignete Patienten zu erkennen ist daher entscheidend. Eine pathologische Komplettremission (pCR) hängt eng mit einer günstigen Langzeitprognose zusammen und kann als Wirksamkeitsindikator dienen. Tsukada und Kollegen untersuchten, welche Tumortypen nach NST eine pCR erreichen, und fanden Zusammenhänge mit zwei MRI-Merkmalen: Wachstumsrichtung und Konturrate. Wachstum entlang des Cooper-Bands und eine rasche Konturrate in der prätherapeutischen multiplanaren MRI waren prädiktiv für pCR. Kim und Kollegen bewerteten die Brustkrebsprognose anhand des rezidivfreien Überlebens. Patienten mit hoher Entropie in T2WI, also hoher Heterogenität, hatten ein signifikant kürzeres rezidivfreies Überleben.

Strahlentherapie

Während der Strahlentherapie kann Radiogenomik durch ein integriertes Modell aus Bildgebung und Genetik klinische Entscheidungen unterstützen. Viele Studien zeigen, dass sie Nebenwirkungen der Bestrahlung vorhersagen und mithilfe genetischer Marker die Auswahl des besten Regimes zur Optimierung der Ergebnisse unterstützen kann. Die Strahlentherapie hat sich von zweidimensionalen zu drei- und sogar vierdimensionalen Verfahren entwickelt; auch die Dosisverteilung ging von Punktdosen zu Volumenverteilungen über. Diese Techniken beruhen auf großen Bilddatenmengen. Radiomik ermöglicht detaillierte und präzise Bildphänotypisierung und zeigt intratumorale Heterogenität in vielen soliden Tumoren. Die Integration von Multi-Omik-Merkmalen in physikalische Modelle hilft zudem Medizinphysikern, Wiederbestrahlungsprotokolle bei zielgerichteten Therapien auszubauen.

Vorhersage von Arzneimittelansprechen und möglicher Resistenz

Radiogenomik kann auch Arzneimittelansprechen und mögliche Resistenz vorhersagen, um die individuelle Tumorbehandlung zu steuern. Im Jahr 2007 fanden Kuo und Kollegen einen engen Zusammenhang bestimmter Merkmale in der kontrastverstärkten CT mit der Adriamycin-Empfindlichkeit des hepatozellulären Karzinoms. Präzisionsmedizin braucht nicht nur veränderbare Überwachungs- und Therapieziele, sondern auch zuverlässige nichtinvasive Technologien, um deren zeitliche Veränderungen zu erfassen. Radiogenomik unterstützt individuelle Therapieprogramme, indem sie genetische Informationen Voxel für Voxel zu einem einzelnen heterogenen Tumor oder bei Metastasierung zu mehreren Tumoren liefert.

Radiogenomische Modelle als klinische Biomarker für Prognose und Rezidivvorhersage

Radiogenomische Signaturen aus Bildgebung, genetischen und pathologischen Merkmalen verknüpfen Bilder mit Behandlungsergebnissen und beschleunigen die klinische Integration. Alternative Bildbiomarker stärken die Fähigkeit, klinisch relevante Ergebnisse vorherzusagen. Radiogenomische venöse Invasion (RVI) ist ein Biomarker für MVI in der kontrastverstärkten Computertomographie (CECT). Banerjee und Kollegen fanden einen Zusammenhang präoperativer CECT-RVI mit schlechtem Gesamtüberleben (OS) und frühem Rezidiv. RVI könnte Personen erkennen, bei denen ein langfristiger Nutzen einer Operation unwahrscheinlich ist.

Prognose und Therapieansprechen mit Radiogenomik vorhersagen

Die Vorhersage von Prognose und Therapieansprechen zählt zu den vielversprechendsten klinischen Anwendungen der Radiogenomik. Sie verbindet Tumormerkmale mit Genomdaten und ist damit ein leistungsfähiges Instrument zur Ergebnisvorhersage und Unterstützung von Therapieentscheidungen.

Prostatakrebs

Bei der Prostatakrebsdiagnostik kann Radiogenomik durch Kombination multiparametrischer MRI (mpMRI) mit genetischen Biopsiedaten Krankheitsprogression und Therapieansprechen vorhersagen. Woo und Kollegen fanden enge Beziehungen von mpMRI-basierten radiogenomischen Daten zum Gleason-Score und zu Prostatabiopsiebefunden. Dies deutet auf eine wichtige Rolle in Diagnose und Behandlung hin.

Hirntumoren

Beim Glioblastom (GBM) ist Radiogenomik wesentlich, um Tumorheterogenität zu verstehen und individuelle Therapiepläne zu entwickeln. Modelle aus MRI-Bildern und Genomdaten können Ansprechen und Ergebnisse vorhersagen. Carrillo und Kollegen erstellten aus präoperativen MR-Bildern und Genomdaten ein Modell des Gesamtüberlebens bei GBM. Dieses könnte Therapieansprechen und langfristige Prognose verbessern.

Brustkrebs

Radiogenomik wird auch bei Brustkrebs zur Vorhersage des Ansprechens und Entwicklung personalisierter Strategien eingesetzt. Flüssige genomische Daten wurden mit MR-Bildmerkmalen kombiniert, um das Ansprechen auf neoadjuvante Chemotherapie vorherzusagen. Sutton und Kollegen zeigten dies für ein Modell aus MR-Merkmalen und Genomdaten. Das unterstreicht die Bedeutung der Radiogenomik für die Therapieplanung.

Kolorektaler Krebs

Bei kolorektalem Krebs (CRC) liefert Radiogenomik wertvolle Informationen zur Vorhersage von Ansprechen und Krankheitsprogression. Lubner und Kollegen entwickelten aus Genomdaten und Bildmerkmalen ein Modell zur Vorhersage des Therapieansprechens bei CRC. Es könnte das Chemotherapieansprechen und die langfristige Prognose verbessern.

Lungenkrebs

Bei Lungenkrebs kann Radiogenomik durch die Verknüpfung genetischer Daten und Bilddaten das Ansprechen vorhersagen und die Therapieplanung unterstützen. Radiogenomische Daten werden genutzt, um die Reaktion auf zielgerichtete Behandlungen abzuschätzen. Wei und Kollegen zeigten, dass ein kombiniertes Modell aus PET/CT-Merkmalen und Genomdaten Therapieansprechen und Prognose vorhersagen kann. Dies unterstreicht die Bedeutung der Radiogenomik in der Lungenkrebsbehandlung.

Fazit und Zukunftsperspektiven

Radiogenomik entwickelt sich zu einem wichtigen Bestandteil personalisierter Krebsmedizin. Durch die Verbindung von Bildgebung und Genomdaten bietet sie ein leistungsfähiges Instrument, um Tumorheterogenität zu verstehen, Ansprechen vorherzusagen und Therapiepläne zu optimieren. Künftig wird eine Weiterentwicklung und breitere klinische Nutzung erwartet.

Radiogenomik könnte Krebsforschung und klinische Versorgung revolutionieren. Fortschritte in diesem Gebiet werden zur Entwicklung präziserer und wirksamerer Krebstherapien beitragen und die Lebensqualität verbessern. Sie wird in der Zukunft personalisierter Krebsmedizin eine wichtige Rolle spielen.

Radiogenomik: künftige Entwicklungen und Herausforderungen

Für eine breitere klinische Nutzung und Akzeptanz müssen verschiedene Herausforderungen bewältigt werden. Dazu zählen Datenintegration, Standardisierung, Validierung und ethische Fragen.

Datenintegration

Radiogenomik erzeugt enorme Datenmengen, deren Zusammenführung und Analyse schwierig sind. Um Verbindungen zwischen Genomdaten, radiologischen Bildern und klinischen Informationen herzustellen, sind fortgeschrittene Rechenverfahren erforderlich. Der Prozess muss sorgfältig gesteuert werden, damit die Daten korrekt und zuverlässig sind.

Standardisierung

Radiogenomische Daten müssen standardisiert werden, damit Forschungsgruppen und Kliniken sie leichter vergleichen und austauschen können. Einheitliche Verfahren für Erhebung, Verarbeitung und Analyse beschleunigen die Integration in die klinische Praxis.

Validierung

Vor dem klinischen Einsatz müssen radiogenomische Modelle umfassend validiert werden. Große multizentrische klinische Studien sind nötig, um Zuverlässigkeit und Genauigkeit sicherzustellen. Dieser Prozess ist wichtig, um die Modellleistung unter realen Versorgungsbedingungen zu bewerten.

Ethische Fragen

Radiogenomische Daten bringen auch Herausforderungen hinsichtlich Vertraulichkeit und Ethik mit sich. Sicherheit und Schutz der Patientendaten sind für Forschung und Anwendung entscheidend. Datenschutz und ethische Regeln müssen deshalb streng eingehalten werden.

Künftige Entwicklungen

Die zukünftigen Richtungen der radiogenomischen Forschung werden die personalisierte Medizin weiter voranbringen. Dazu zählen:

Künstliche Intelligenz und maschinelles Lernen

Künstliche Intelligenz (AI) und maschinelles Lernen (ML) werden Analyse und Interpretation radiogenomischer Daten deutlich beschleunigen. Sie ermöglichen eine genauere und schnellere Verarbeitung der gewonnenen Informationen und unterstützen damit klinische Entscheidungen.

Multi-Omik-Ansätze

Die Verbindung von Genomdaten mit proteomischen, metabolomischen und weiteren Omik-Daten wird Radiogenomik umfassender und wirksamer machen. Multi-Omik-Ansätze vertiefen unser Verständnis der Krebsbiologie und verbessern individuelle Behandlungsstrategien.

Echtzeitbildgebung und Therapieplanung

Radiogenomik lässt sich in Echtzeitbildgebung und Therapieplanung nutzen, um das Ansprechen in jeder Behandlungsphase zu überwachen und Pläne zu optimieren. Echtzeitdaten könnten die Wirksamkeit der Behandlung und die Lebensqualität verbessern.

Breite Nutzung in der klinischen Praxis

Ergebnisse der radiogenomischen Forschung werden zunehmend klinisch eingesetzt werden. Dies wird die Verbreitung personalisierter Krebstherapie fördern und die Behandlungsergebnisse verbessern.

Internationale Zusammenarbeit

Für erfolgreiche radiogenomische Forschung ist internationale Zusammenarbeit besonders wichtig. Datenaustausch und Kooperation zwischen Forschern und Kliniken verschiedener Länder werden die Entwicklung beschleunigen.

Fazit

Radiogenomik entwickelt sich rasch zu einer Schlüsselkomponente personalisierter Krebsmedizin. Die Integration von Bildgebung und Genomdaten bietet ein leistungsfähiges Werkzeug, um Tumorheterogenität zu verstehen, das Ansprechen vorherzusagen und Therapiepläne zu optimieren. Sie könnte die Krebsbehandlung künftig revolutionieren, die Lebensqualität verbessern und zur Entwicklung präziserer Behandlungsstrategien beitragen.

Radiogenomik wird auch künftig eine wichtige Rolle in der personalisierten Medizin spielen. Forschung und klinische Anwendungen auf diesem Gebiet werden wirksamere und gezieltere Ansätze in der Krebsbehandlung unterstützen.