Habitatbasierte CT-Radiomics zur Profilierung räumlich-zeitlicher Heterogenität in resezierbarem NSCLC sagt pathologisches Ansprechen auf neoadjuvante Chemoimmuntherapie voraus: eine multizentrische Studie

Warum das für Menschen mit Lungenkrebs wichtig ist

Für Patientinnen und Patienten, die sich einer Operation wegen nicht-kleinzelligem Lungenkrebs unterziehen sollen, wird zunehmend eine Kombination aus Chemotherapie und Immuntherapie vor dem Eingriff verabreicht, um Tumoren zu verkleinern und die Langzeitkontrolle zu verbessern. Nicht alle profitieren jedoch gleichermaßen, und derzeit gibt es keine einfache, nichtinvasive Methode, im Voraus zu erkennen, wer wahrscheinlich gut ansprechen wird. Diese Studie untersucht, ob Muster, die in routinemäßigen CT-Aufnahmen verborgen sind, Hinweise darauf geben können, welche Tumoren auf diese kombinierte Behandlung empfindlich sind und welche nicht.

In Tumore hineinschauen mit bildbasierten Hinweisen

Die Forschenden konzentrierten sich auf ein Konzept namens Tumor-Habitats, das einen Tumor nicht als einheitlichen Klumpen, sondern als eine kleine Landschaft aus Regionen mit unterschiedlichen Erscheinungsbildern auf CT-Aufnahmen betrachtet. Anstatt nur zu messen, wie variabel der gesamte Tumor insgesamt ist, kartierten sie zusätzlich, wo diese unterschiedlichen Regionen innerhalb des Tumors zueinander liegen. Durch den Vergleich von Aufnahmen vor und nach der Behandlung wollten sie sowohl die räumliche Anordnung als auch die zeitliche Veränderung dieser inneren Regionen verfolgen und so ein reichhaltigeres Bild des Tumorverhaltens erfassen.

Wer untersucht wurde und welche Daten verwendet wurden

Das Team analysierte CT-Scans von 394 Patientinnen und Patienten mit resezierbarem nicht-kleinzelligem Lungenkarzinom, die an drei Krankenhäusern in China behandelt wurden. Alle erhielten vor der Operation einen standardmäßigen Kurs aus Chemoimmuntherapie, und die entfernten Tumoren wurden mikroskopisch untersucht, um zu bestimmen, wie viel Krebsgewebe verbleibt. Patientinnen und Patienten wurden als Major Responder eingestuft, wenn nur ein kleiner Bruchteil von Krebszellen übrig blieb, und als Non-Responder, wenn noch ein großer Teil des Tumors vital war. Für jede Person sammelten die Forschenden grundlegende klinische Daten sowie detaillierte Messungen aus den CT-Bildern vor und nach der Behandlung.

Komplexe Bilder in einen Vorhersagewert überführen

Aus jedem Tumor extrahierten Computer zahlreiche numerische Merkmale, die Helligkeit, Textur und räumliche Muster innerhalb der Aufnahme beschreiben. Ein Merkmalssatz fasste den gesamten Tumor als ein einzelnes Objekt zusammen, während ein anderer Satz erfasste, wie die unterschiedlichen Regionen oder Habitats angeordnet sind und wie stark sie miteinander interagieren. Eine dritte Gruppe von Merkmalen maß, wie sich diese Signale zwischen der ersten und der zweiten Aufnahme veränderten. Maschinelle Lernverfahren filterten diese Messungen, um Modelle zu erstellen, die die Wahrscheinlichkeit schätzen, dass ein Tumor stark auf die Therapie anspricht.

Wie gut der bildgebende Ansatz funktionierte

Bei den Tests zeigten sowohl die Ganz-Tumor-Merkmale als auch die habitatbasierten Merkmale allein eine solide Fähigkeit, Major Responder von Non-Respondern zu trennen. Die beste Leistung erzielte jedoch ein integrierter Ansatz, der Informationen aus beiden Perspektiven des Tumors kombinierte. In unabhängigen Patientengruppen aus verschiedenen Krankenhäusern erreichte dieses kombinierte Modell Genauigkeitswerte, die darauf hindeuten, dass es in der klinischen Entscheidungsfindung nützlich sein könnte. Weitere Analysen zeigten, dass das Modell tendenziell besonders gut in bestimmten Subtypen von Lungenkrebs und bei tiefer im Brustkorb gelegenen Tumoren funktionierte, was darauf hindeutet, dass manche anatomische Gegebenheiten die Bildmuster informativer machen können.

Was das für Behandlungsentscheidungen bedeuten könnte

Für Nichtfachleute ist die Hauptaussage, dass gewöhnliche CT-Scans weit mehr Informationen enthalten können, als mit bloßem Auge sichtbar ist. Indem Tumoren als lebendige Landschaften aus verschiedenen Vierteln betrachtet werden und beobachtet wird, wie diese Viertel sich während der Therapie verändern, zeigt die Studie, dass Ärztinnen und Ärzte möglicherweise im Voraus abschätzen können, wer voraussichtlich von einer Chemoimmuntherapie vor der Operation profitiert. Zwar sind weitere Arbeiten und größere prospektive Studien erforderlich, doch dieses habitatbasierte Bildgebungsframework weist auf eine Zukunft hin, in der Behandlungen früher und sicherer angepasst werden können, sodass einige Patientinnen und Patienten von unwirksamen Therapien verschont bleiben, während andere die besten Chancen auf langfristige Kontrolle erhalten.

Zitation: Peng, Q., Xu, Y., Shen, L. et al. Habitat-based CT radiomics profiling spatial-temporal heterogeneity in resectable NSCLC predict pathological response to neoadjuvant chemoimmunotherapy: a multi-center study. npj Precis. Onc. 10, 190 (2026). https://doi.org/10.1038/s41698-026-01388-z

Schlüsselwörter: Lungenkrebs, CT-Radiomics, Chemoimmuntherapie, Tumorheterogenität, Therapieansprechen