Einleitung: Hirnmetastasen stellen ein medizinisch und sozioökonomisch äußerst relevantes Krankheitsbild dar. Die Prognose stellt sich im Allgemeinen als ungünstig dar, gleichwohl lassen sich erhebliche interindividuelle Unterschiede feststellen, weshalb deren korrekten Abschätzung hinsichtlich der optimalen Therapieplanung eine entscheidende Rolle zukommt. In aktuellen Studien konnte nachgewiesen werden, dass Hirnmetastasen entgegen früheren Annahmen mehrheitlich ein infiltratives Wachstum in das Umgebungsgewebe aufweisen. Zudem legen erste Studien nahe, dass die Art dieses Wuchsmusters von prognostischer Relevanz sein sowie therapeutische Implikationen hinsichtlich der Lokaltherapie nach sich ziehen könnte. Vor diesem Hintergrund wurde in dieser Arbeit die Möglichkeit eines automatisierten präoperativen, nichtinvasiven Verfahrens mittels standardmäßig akquirierter MRT-Bilder als Alternative zur histopathologischen Detektion potenziell infiltrativer Tumoranteile evaluiert.

Patienten, Material und Methoden: Insgesamt stand eine Grundgesamtheit von 282 Patienten mit histologisch gesicherten Hirnmetastasen zur Verfügung, welche zwischen den Jahren 2005 und 2016 am Universitätsklinikum Regensburg neurochirurgisch behandelt wurden und für die eine Analyse ihrer MRT-morphologischen Hirnmetastasen-Charakteristika vorlag. Anhand ihrer Einordnung in fünf verschiedene bildmorphologische Wuchsmuster wurden für die vorliegende Arbeit zwei verschiedene Gruppen mit insgesamt 100 Patienten ausgewählt. Für diese sollte mittels eines von Mitarbeitern des Instituts für Röntgendiagnostik entwickelten KI-Modells eine dreidimensionale Infiltrationsmuster-Kartierung ihrer Hirnmetastasen erzielt werden. Hierzu wurden die betreffenden Läsionen anhand T1-gewichteter, dreidimensionaler MRT-Bilder zunächst segmentiert. Anschließend erfolgte im Sinne eines Supervised Maschine Learnings die Generierung der für das Training des KI-Modells notwendigen gelabelten Datensätze, indem anhand einer manuellen Kategorisierung mittels einer matlab-basierten in-house-Software jeder Raumeinheit auf dem dreidimensionalen Gittermodell der jeweiligen Hirnmetastasen-Oberfläche eines der drei möglichen Label "scharfes Wuchsmuster", "infiltratives Wuchsmuster" oder "anatomische Grenze" zugeordnet wurde. Die dabei erzielten Ergebnisse wurden im Vergleich mit einem alternativen zur Verfügung gestellten Kategorisierungsansatz, basierend auf den im Rahmen dieser Arbeit erstellten Segmentierungsmasken, evaluiert. Schließlich wurden die beiden Studiengruppen hinsichtlich ihrer vorhandenen Patentenmerkmale auf signifikante Unterschiede untereinander verglichen und diese, ebenso wie das Infiltrationsmuster, auf eine mögliche prognostische Bedeutung analysiert.

Ergebnisse: Im Rahmen dieser Arbeit konnte eine dreidimensionale, KI-basierte Infiltrationskartierung von Hirnmetastasen erfolgreich realisiert werden. Unter Verwendung der ersteren Kategorisierungsmethodik wies diese zunächst eine Trefferquote von maximal 73% und eine der erwarteten Realität nicht entsprechenden Wuchsmusterverteilung auf. Mit dem alternativen Kategorisierungsansatz konnte die Trefferquote jedoch auf 92% gesteigert und realitätsnahe Ergebnisse erzeugt werden. Der hiermit ermittelte Infiltrationsgrad zeigte in einer Regressionsanalyse einen negativen Einfluss auf die Überlebenszeit betroffener Patienten, allerdings auf nicht signifikantem Niveau (p=0,506). Ebenso unterschied sich in beiden Studiengruppen das mediane Überleben mit 7 Monaten bzw. 6 Monaten ab Diagnose zerebraler Metastasen nicht signifikant (p=0,831). Beide Gruppen zeigten in ihren demographischen Merkmalen eine hohe Übereinstimmung untereinander.

Interpretation: Die KI-gestützte Infiltrationskartierung von Hirnmetastasen birgt aufgrund ihres nichtinvasiven und Ressourcen-schonenden Charakters einen großen klinischen Nutzen. Als entscheidend bei ihrer Entwicklung erwies sich dabei die im Schritt der manuellen Kategorisierung angewandte Methodik. Der fehlende Nachweis eines statistisch signifikanten Zusammenhangs von Infiltrationsgrad und Überleben kann insbesondere auf eine zu niedrige Anzahl an valide auswertbaren Infiltrations-kartierungen zurückgeführt werden. Die Gruppenzugehörigkeit anhand des MRT-morphologischen Wuchsmusters erwies sich für die beiden in dieser Studie verwendeten Patientengruppen als unzureichend verallgemeinerbar hinsichtlich des Ausmaßes an infiltrativem Wachstum der untersuchten Hirnmetastasen auf individueller Ebene. Gleichwohl bestärkt eine Analyse der bislang veröffentlichten wissenschaftlichen Literatur das Vorliegen einer Evidenz für eine prognostische Relevanz des Wuchsmusters von Hirnmetastasen. Diesem kommt auch unabhängig seines tatsächlichen Einflusses auf die Überlebenszeit eine große Relevanz hinsichtlich der Durchführungsweise operativer und radiotherapeutischer Verfahren, insbesondere im Kontext der Quality of Life betroffener Patienten, zu.

Introduction: Brain metastases represent a clinically and socioeconomically highly significant condition. The prognosis is generally poor; however, significant interindividual differences exist, which is why accurately assessing the prognosis plays a crucial role in planning optimal therapy. Recent studies have demonstrated that, contrary to earlier assumptions, the majority of brain metastases exhibit infiltrative growth into the surrounding tissue. Furthermore, initial studies suggest that the nature of this growth pattern may be prognostically relevant and could have therapeutic implications regarding local therapy. Against this background, this study evaluated the feasibility of an automated, preoperative, non-invasive method using standard MRI images as an alternative to histopathological detection of potentially infiltrative tumor components.

Patients, Materials, and Methods: The study population consisted of a total of 282 patients with histologically confirmed brain metastases who underwent neurosurgical treatment at the University Hospital of Regensburg between 2005 and 2016 and for whom an analysis of the MRI morphological characteristics of their brain metastases was available. Based on their classification into five different MRI-morphological growth patterns, two distinct groups totaling 100 patients were selected for this study. For these patients, a three-dimensional infiltration pattern mapping of their brain metastases was to be achieved using an AI model developed by staff at the Institute of Radiological Diagnostics. To this end, the relevant lesions were first segmented using T1-weighted, three-dimensional MRI images. Subsequently, using supervised machine learning, the labeled datasets required for training the AI model were generated by manually categorizing each spatial unit on the three-dimensional grid model of the respective brain metastasis surface using matlab-based in-house software, assigning one of three possible labels: "sharp growth pattern", "infiltrative growth pattern", or "anatomical boundary". The results obtained were evaluated in comparison with an alternative categorization approach provided, based on the segmentation masks created as part of this study. Finally, the two study groups were compared for significant differences in their existing patient chraracteristics, and these, as well as the infiltration pattern, were analyzed for potential prognostic significance.

Results: In this study, a three-dimensional, AI-based infiltration mapping of brain metastases was successfully implemented. Using the first categorization method, the system initially achieved a maximum accuracy rate of 73% and exhibited a distribution of growth patterns that did not correspond to biologic reality. However, with the alternative categorization approach, the accuracy rate was increased to 92%, and results that closely matched reality were generated. The degree of infiltration determined by this method showed a negative influence on the survival time of affected patients in a regression analysis, though at a non-significant level (p=0.506). Similarly, median survival did not differ significantly between the two study groups, at 7 months and 6 months, respectively, from the diagnosis of cerebral metastases (p=0.831). Both groups showed a high degree of consistency in their demographic characteristics.

Interpretation: AI-assisted mapping of brain metastasis infiltration offers significant clinical benefits due to its non-invasive and resource-efficient nature. The methodology used in the manual categorization step proved to be crucial to its development. The lack of evidence for a statistically significant association between the degree of infiltration and survival can be attributed in particular to an insufficient number of validly evaluable infiltration maps. Group classification based on the MRI morphological growth pattern proved insufficiently generalizable for the two patient groups used in this study with regard to the extent of infiltrative growth of the examined brain metastases at the individual level. Nevertheless, an analysis of the scientific literature published to date supports the existence of evidence for the prognostic relevance of the growth pattern of brain metastases. Regardless of its actual influence on survival time, this pattern is of great relevance with regard to the implementation of surgical and radiotherapeutic procedures, particularly in the context of the quality of life of affected patients.