Predictive Imaging Biomarker Discovery and Treatment Effect Estimation Using Deep Learning in Randomized Imaging Studies

Die personalisierte Medizin hat das Ziel, Behandlungen auf Grundlage individueller Patientenmerkmale auf Patient:innen maßzuschneidern und spielt eine wesentliche Rolle dabei, das Gesundheitswesen weiterzuentwickeln und bessere Patientenergebnisse zu erreichen. Da Patient:innen oft sehr unterschiedlich auf Behandlungen ansprechen, ist die Verbesserung personalisierter Behandlungsentscheidungen eine zentrale Herausforderung in diesem Bereich. In der klinischen Praxis basieren solche Entscheidungen auf prädiktiven Biomarkern, die anzeigen, ob Patient:innen von einer Behandlung profitieren könnten. Während etablierte prädiktive Biomarker oft invasive Eingriffe erfordern, bietet die medizinische Bildgebung eine nicht-invasive Alternative, indem sie hochdimensionale, räumlich aufgelöste Informationen liefert, die Muster erkennen könnten, die für Behandlungsentscheidungen relevant sind. Allerdings verlassen sich bestehende Ansätze wie Radiomics auf manuell entwickelte Merkmale, anstatt behandlungsspezifische Effekte direkt aus Bilddaten abzuschätzen.

Um diese bestehenden Lücken zu schließen, untersucht diese Dissertation die Aufgabe, ohne einen separaten Schritt prädiktive bildgebende Biomarker auf eine datengestützte Weise direkt aus Bildern zu entdecken und Behandlungsempfehlungen anhand von Bildgebungsdaten zu geben, die vor einer Behandlung aufgenommen wurden.

Im ersten Teil dieser Dissertation wird der erste Ansatz zur Ermittlung prädiktiver bildgebender Biomarker vorgestellt, der Deep-Learning-basierte kausale Modelle zur Abschätzung heterogener Behandlungseffekte verwendet. Der zentrale Beitrag ist ein Evaluierungsprotokoll, das dazu dient, identifizierte prädiktive bildgebende Biomarker-Kandidaten zu bewerten und die Leistung eines Modells zu beurteilen, welches ein quantitatives Benchmarking und qualitative Interpretation bildbasierter Modelle zur Schätzung von Behandlungseffekten ermöglicht. Das vorgeschlagene Protokoll unterscheidet ausdrücklich zwischen prädiktiven und prognostischen Biomarkern, wobei letztere Patientenergebnisse unabhängig von der Behandlung vorhersagen können, indem es prädiktive und prognostische Effekte vergleicht.

Im zweiten Teil werden bildbasierte Methoden für die Schätzung von Behandlungseffekten sowohl auf semi-synthetische als auch auf echte klinische Bilddaten aus einer randomisierten Phase-II/III-Studie zu Glioblastomen angewendet, indem eine Erweiterung früherer Modelle entwickelt wird, die ursprünglich für binäre oder kontinuierliche Ergebnisse konzipiert wurden, auf klinisch relevantere Überlebensergebnisse zu erweitern. Darüber hinaus wird der Einfluss der multimodalen Integration von klinischen tabellarischen Daten und der Verwendung von vortrainierten Bildencodern auf die resultierenden Behandlungsempfehlungen des vorgeschlagenen Modells sowie die Patientenstratifizierung untersucht.

Die experimentellen Ergebnisse zeigen, dass bildbasierte Modelle zur Schätzung von Behandlungseffekten prädiktive bildgebende Biomarker aus semi-synthetischen Bilddatensätzen identifizieren und interpretierbare Einblicke liefern können, obwohl die Leistungsfähigkeit in der Anwendung auf echte klinische Daten aufgrund kleiner Stichprobengrößen und schwacher Signale für die Behandlungswirkung nach wie vor begrenzt bleibt. Dennoch bieten die Ergebnisse dieser Dissertation wertvolle Einblicke in die Möglichkeiten und aktuellen Einschränkungen der bildbasierten Schätzung von Behandlungseffekten unter realistischen Bedingungen und weisen auf wichtige Richtungen für zukünftige Forschung hin. Insgesamt schlägt diese Arbeit eine Brücke zwischen kausaler Inferenz und medizinischer Bildanalyse und schafft damit eine Grundlage für die zukünftige Radiomics-freie Entdeckung prädiktiver bildgebender Biomarker sowie für die Weiterentwicklung bildbasierter Methoden, die personalisierte Behandlungsentscheidungen unterstützen.