Radiomics

Dem Radiomics-Konzept liegt die Annahme zugrunde, dass medizinische Bilddaten Informationen enthalten, die über die visuelle Beurteilbarkeit hinausgehen. Subtile Unterschiede in Grauwertverteilungen oder Texturmuster können biologische Eigenschaften wie Tumorheterogenität, Zellularität, Angiogenese oder Nekrose widerspiegeln. Radiomics ist eng mit Methoden des maschinellen Lernens und der künstlichen Intelligenz verknüpft.

Die radiomische Analyse folgt einem weitgehend standardisierten Workflow. Zunächst erfolgt die Bildakquisition unter möglichst einheitlichen Akquisitions- und Rekonstruktionsparametern, da diese die Stabilität und Vergleichbarkeit der extrahierten Merkmale maßgeblich beeinflussen. Anschließend wird die relevante Region of Interest (ROI) definiert, was manuell, semiautomatisch oder automatisiert erfolgen kann und einen kritischen Schritt des Verfahrens darstellt.

Darauf aufbauend werden aus der ROI quantitative Bildmerkmale extrahiert. In der anschließenden Modellierungsphase erfolgt eine Selektion geeigneter Features, um Redundanz zu reduzieren und eine Überanpassung zu vermeiden. Die Analyse selbst erfolgt mittels statistischer Verfahren oder maschineller Lernalgorithmen.

Abschließend ist eine Validierung erforderlich, idealerweise sowohl intern als auch extern, um Reproduzierbarkeit und klinische Aussagekraft sicherzustellen.

Radiomische Features lassen sich in mehrere funktionelle Kategorien einteilen. Häufig unterschieden werden:

• First-order-Features: beschreiben die statistischen Eigenschaften der Grauwerte innerhalb der ROI, z.B. Mittelwert, Varianz oder Entropie
• Form-Features: erfassen die geometrischen Eigenschaften der segmentierten Struktur, z.B. Volumen, Oberfläche oder Sphärizität
• Textur-Features: quantifizieren die räumlichen Grauwertmuster, z.B. auf Basis von Grauwert-Kookkurrenz-, Run-Length- oder Size-Zone-Matrizen
• Higher-order-Features: werden aus gefilterten oder transformierten Bilddaten abgeleitet und bilden komplexere Muster ab

Die Auswahl geeigneter Feature-Gruppen richtet sich nach Fragestellung, Bildmodalität und klinischem Kontext.

Radiomics wird vor allem in der Onkologie eingesetzt, unter anderem zur Tumorklassifikation, zur Abschätzung von Prognose und Therapieansprechen sowie zur Differenzierung benigner und maligner Läsionen. Weiterhin findet der Ansatz Anwendung in Fachgebieten wie der Neurologie, Kardiologie und Pneumologie, beispielsweise zur Charakterisierung ischämischer Läsionen, inflammatorischer Veränderungen oder fibrotischer Prozesse.

Insgesamt wird Radiomics als ergänzendes Werkzeug zur Unterstützung klinischer Entscheidungsprozesse verstanden, befindet sich jedoch in vielen Anwendungsbereichen noch im Forschungsstadium.

Eine zentrale Limitation von Radiomics besteht in der Abhängigkeit der extrahierten Merkmale von Bildakquisitions-, Rekonstruktions- und Vorverarbeitungsparametern. Auch die Segmentierung ist eine relevante Fehlerquelle, insbesondere bei manuellen Verfahren. Zudem besteht bei hohen Feature-Zahlen und begrenzten Fallzahlen ein erhöhtes Risiko der Überanpassung.

Viele publizierte Modelle sind bislang nur unzureichend extern validiert, was die Übertragbarkeit und routinemäßige klinische Anwendung einschränkt.

Radiomics ist von der Radiogenomik abzugrenzen, bei der radiomische Bildmerkmale gezielt mit genetischen oder molekularbiologischen Daten korreliert werden.

• Lambin et al., Radiomics: extracting more information from medical images using advanced feature analysis, Eur J Cancer, 2012
• Gillies et al., Radiomics: Images Are More than Pictures, They Are Data, Radiology, 2016
• Zwanenburg et al., The Image Biomarker Standardization Initiative: Standardized Quantitative Radiomics for High-Throughput Image-based Phenotyping, Radiology, 2020