TNM-Klassifikation des Larynxkarzinoms: Modellierung und Validierung des Bayes ʼ schen Netzwerks Matthäus Stöhr 1,2, Mario Cypko 2, Andreas Dietz 1 1 Klinik.

Präsentation zum Thema: "TNM-Klassifikation des Larynxkarzinoms: Modellierung und Validierung des Bayes ʼ schen Netzwerks Matthäus Stöhr 1,2, Mario Cypko 2, Andreas Dietz 1 1 Klinik."—  Präsentation transkript:

1 TNM-Klassifikation des Larynxkarzinoms: Modellierung und Validierung des Bayes ʼ schen Netzwerks Matthäus Stöhr 1,2, Mario Cypko 2, Andreas Dietz 1 1 Klinik und Poliklinik für Hals-, Nasen-, Ohrenheilkunde/Plastische Chirurgie, Universität Leipzig 2 Innovation Center Computer Assisted Surgery, Universität Leipzig Kontakt: Dr. med. Matthäus Stöhr Department of Otolaryngology, Head and Neck Surgery University of Leipzig, Germany Adresse: Liebigstr. 10-14 D-04103 Leipzig, Germany E-Mail: matthaeus.stoehr@medizin.uni-leipzig.de Einleitung Therapieentscheidungen im Bereich der Onkologie werden durch Fortschritte in der Forschung und neue Therapiemöglichkeiten zunehmend komplex. Dies betrifft auch die Kopf-Hals-Region. Die TNM-Klassifikation stuft solide Tumoren nach Ausdehnung von Primärtumor (T), regionären Lymphknotenstatus (N) und Fernmetastasen (M) ein und bildet die Basis für die Therapieentscheidungen. Besonders beim Larynxkarzinom ist die Evaluation des T-Stadiums wegen der feingliedrigen Anatomie anspruchsvoll. Infiltrative Prozesse eines Tumors in eine Vielzahl von Strukturen ist möglich und muss mittels differenter Untersuchungen (z.B. Bildgebung, Endoskopie) evaluiert werden. Die ermittelten Informationsentitäten (IEs) eines Tumors wurden in ein probabilistisches Patientenmodell auf Basis eines Multi-Instanz Bayes‘schen Netzwerks (MEBN) integriert [1] um so das TNM-Stadium anhand der Primärbefunde zu ermitteln. Ziel ist es weiterhin, zukünftige Entscheidungsprozesse durch Integration aller ermittelten Untersuchungsergebnisse zu unterstützen [2,3]. Methoden Als Teil des digitalen Patientenmodells (DPM) Larynxkarzinom wurde das TNM- Stadium erarbeitet. Aus den IEs wurde entsprechend der Abhängigkeit zueinander eine MEBN-basierte Graphenstruktur unter Verwendung der Software GeNIe 2.0 konstruiert. Ein MEBN ist ein probabilistisches graphisches Modell mit folgenden Eigenschaften: 1.azyklischer Graph mit Variablen = IEs (repräsentieren Eigenschaften, Untersuchungsergebnisse, Therapieoptionen, etc.) und die direkten Kausalabhängigkeiten zwischen den Variablen (= Kanten) 2.Bedingte Wahrscheinlichkeiten (beschreiben die Abhängigkeiten und Einflüsse zwischen den Variablen) 3.Inferenz-Algorithmen (berechnen die Wahrscheinlichkeit für einen bestimmten Wert) a a Ergebnisse Diskussion Die Validierung des Teilmodells TNM-Stadium war nach entsprechender Datenüberprüfung erfolgreich und bestätigt die Praktikabilität modellbasierter Entscheidungsunterstützung. Insbesondere durch zunehmende Komplexität und Diversifikation der Therapiealgorithmen können digitale Patientenmodelle auf Basis von MEBN einen wertvollen Beitrag in Entscheidungsprozessen zukünftiger onkologischer Therapien leisten. Unterstützt durch: Bundesministerium für Bildung und Forschung Literatur: [1] Laskey KB. MEBN: A language for first-order Bayesian knowledge basses. Artificial Intelligence 2008;172:140-178. [2] Stoehr M, Cypko MA, Denecke K, Lemke HU, Dietz A. A model of the decision-making process: therapy of laryngeal cancer. Int J CARS 2014;9(Suppl.1),S217-218. [3] Cypko MA, Stoehr M, Denecke K, Dietz A, Lemke HU. User interaction with MEBNs for large patient-specific treatment decision models with an example for laryngeal cancer. Int J CARS 2014;9(Suppl.1),S215-216. [4] Ausschnitt aus dem Präsentationsvideo: Patient-specific models using Multi-Entity Bayesian Networks – ICCAS Leipzig, 2013, http://www.youtube.com/watch?v=SjejIfHqF80 [5] Cypko MA, Hirsch D, Koch L, Stoehr M, Strauss G, Denecke K. Web-tool to support medical experts in probabilistic modelling using large bayesian networks with an example of rhinosinusitis. Stud Health Technol Inform 2015;216:259–263. [6] Cypko MA, Stoehr M, Kozniewski M, Druzdzel MJ, Dietz A, Lemke HU. Validation workflow for a Clinical Bayesian Network Model in Multidisciplinary Decision Making in Head and Neck Oncology Treatment, in submission. Abb. 1: Blick in das Kopf-Hals-Tumorboard an der Universität Leipzig mit einer Visualisierung der multidisziplinären Therapieentscheidung individueller Viewpoints und Integration in einen gemeinsamen Viewpoint, dem digitalen Patientenmodell Larynxkarzinom auf Basis eines Multi-Instanz Bayes‘schen Netzwerks (MEBN) [4]. Das Teil-Modell des TNM-Stadiums Larynxkarzinom umfasst 303 Variablen oder IEs, die durch 334 Kanten verbunden sind. Die patientenspezifischen Daten wurden aus Primärbefunden (Radiologie, Pathologie, Panendoskopie etc.) extrahiert und in das Modell integriert. Die bedingten Wahrscheinlich- keiten wurden mittels speziell entwickeltem Web-basiertem Analyse-Tool ermittelt [5]. Der Teilgraph TNM-Stadium wurde anhand der Daten von (n=66) Patienten mit Larynxkarzinomen validiert. Abb. 2: Screenshot des Web-basierten Analyse-Tools zur Ermittlung der be- dingten Wahrschein- lichkeiten der gewählten Informationsentität (hier N-Stadium). Die Wahrscheinlichkeitstabellen werden anhand der gesetzten Werte (durch Verschieben der blauen Kästen mit Prozentwert auf dem Balken) für die aktuelle Konstellation im Hintergrund berechnet [5]. Die retrospektive Auswertung der Larynxkarzinom-Fälle zeigte in der ersten Analyse eine Genauigkeit von 76% des durch das Modell berechneten TNM im Vergleich zum ärztlich festgelegten TNM-Stadium. Eine Detailanalyse der Daten ergab folgende Probleme: 1. Informationen, die in Befunden nicht explizit Erwähnung finden (z.B. Strukturen, die nicht infiltriert sind) führten zu erhöhter Ungenauigkeit; 2. Interpretations-/Übertragungsfehler der Daten aus den Befunden; 3. Fehlinterpretationen bei der klinischen Einschätzung des TNM (u.a. durch fehlende oder unterschiedliche Informationen). Nach Bearbeitung und Korrektur der detektierten Probleme wurde das TNM-Stadium zu 100% korrekt durch das Modell berechnet [6]. Außerdem wurden verschiedene Konzepte für eine geeignete Visualisierung erarbeitet. Abb. 3: Teilgraph TNM-Staging des Modells Larynxkarzinom: Allgemeine Tumoreigenschaften (violett), Infiltrationsstrukturen des Primärtumorgebietes (rot), Charakterisierung der lokoregionären Lymphknoten (gelb) und Fernmetastasen (grün), sowie die daraus resultierenden T-, N- und M-Stadien (pink). Abb. 4: Screenshot des Graphen Larynxkarzinom in der Software GeNIe 2.0 nach Integration von Informationsentitäten (Kästen verschiedener Farbe), deren Abhängigkeiten (blaue Pfeile) und der bedingten Wahrscheinlich- keiten, die sich in der Berechnung der jeweiligen Informationsentität (Balken mit Prozentangaben) wiederfinden. Abb. 5: Studie einer möglichen Visualisierung des digitalen Patientenmodells Larynxkarzinom und verschiedener Therapiemöglichkeiten mittels ANTz - Tool [http://openantz.com].