RöKo 2023 – Multiparametrische MRT der Prostata: Prädiktor quantitativer ADC
Der stärkste prädiktive Parameter in der Bewertung eines klinisch signifikanten Prostatakarzinoms mittels multiparametrischer MRT ist der quantitative Apparent Diffusion Coefficient (ADC).
-
Präsentationstag:17.05.2023 0 Kommentare
-
Autor:kf/ktg
-
Sprecher:Heinz-Peter Schlemmer, DKFZ Heidelberg
-
Quelle:RöKo 2023
Die multiparametrische MRT (mpMRT) ist zurzeit genaueste bildgebende Verfahren zur Detektion, zum Staging und zur Verlaufskontrolle des Prostatakarzinoms. Sie folgt leitlinienbasierten Standards, zum Wert einzelner Parameter ergeben sich aber immer wieder neue Erkenntnisse. Ein Update gab Heinz-Peter Schlemmer, DKFZ Heidelberg.
Standard-Protokoll
Für das derzeitige Standard-Protokoll der mpMRT verwies Schlemmer auf Franiel (2021). Die Untersuchung kann bei 1,5 oder 3T in der Routine durchgeführt werden.
Vorbereitung
|
T2w – zur Darstellung der Prostataanatomie
|
Diffusionsgewichtete Bildgebung DWI / ADC – als Biomarker regional veränderter Zelldichte
|
DCE – als Biomarker regional veränderter Gefäßdichte
- 3 ml/s - 50 ml NaCl |
Standard der Befundung
Der Standard zur Befundung der Prostata-MRT ist derzeit PI-RADS v2.1 (Beyer 2020). Schlemmer erläuterte, dass die 5-stufige Likert-Skala als Idee hinter PI-RADS steckt. Die Skala wurde ursprünglich vom US-amerikanischen Psychologen Rensis Likert als psychometrische Skala zur Quantifizierung der Neigung zu bestimmten Kategorien entwickelt – sie vereinfacht die Entscheidungsfindung, ist aber vergleichsweise grob. Dieser Vereinfachung entsprechend sind die PI-RADS Scores 2, 3 und 4 nicht immer eindeutig. Die Interpretation der mpMRT variiert trotz PI-RADS teils stark (Franiel 2021).
mpMRT vor Biopsie
Diverse Studien sowie Metaanalysen belegen die Überlegenheit der mpMRT gegenüber der systematischen Prostatabiopsie. Die momentane S3-Leitlinie Version 6.0 empfiehlt daher in der Primärdiagnostik die mpMRT vor Erstbiopsie (5.16a).
Eine schwedische Pilotstudie zum populationsbasierten Prostatakarzinom-Screening zeigte, dass die Biopsierate durch den initialen Einsatz der biparametrischen MRT (T2w und DWI) um 48% sinkt. War die Biopsie dennoch nötig, verminderte sich durch die vorgeschaltete mpMRT die Rate benigner Befunde um 73% und die Rate insignifikanter Prostatakarzinome um 62%. Die Detektionsrate von Prostatakarzinomen stieg leicht um 3% (Eklund 2021).
Klinische Entscheidungsfindung
Führende Sequenz der mpMRT in der Transitionszone (TZ) ist die T2w zur Einschätzung der Morphologie, in unklaren Fällen dient die DWI als Entscheidungshilfe.
Führende Sequenz für die periphere Zone (PZ) ist die DWI, Der quantitative Apparent Diffusion Coefficient (ADC) hat sich als stärkster prädiktiver Parameter und als am geeignetsten für die klinische Entscheidungsfindung erwiesen, so Schlemmer. Er beeinflusste die Risikostratifizierung von PI-RADS 3 zu 4 bei ADC ≤0,90x10-3 mm2/s (Tavakoli 2023). Laut PI-RADS 2.1 ist für die DWI ein b-Wert von mindestes 1400 s/mm2 notwendig. In vielen Fällen reicht die biparametrische MRT (T2w und DWI), so Schlemmer.
Allerdings stößt auch die DWI an Limits: Eine negative DWI schließt ein Prostatakarzinom nicht aus. Zudem gibt es qualitative „Graubereiche“ der DWI: Die Sensitivität und die Spezifität sind abhängig von der Bildqualität und der Erfahrung der Befundenden
Die dynamische kontrastgestützte (DCE) MRT bestätigt den Verdacht auf ein klinisch signifikantes Prostatakarzinom, allerdings sind bei normaler Scanqualität weder qualitative noch quantitative DCE-Parameter für die klinische Entscheidungsfindung nötig, so Schlemmer. Bei mangelnder DWI-Qualität – beispielsweise durch Luft im Rektum – ist die DCE-MRT allerdings hilfreich.
Eine internationale Studie an 26 Zentren hat gezeigt, dass sich der positive prädiktive Wert (PPV) der mpMRT von Zentrum zu Zentrum erheblich unterscheidet (Westphalen 2020). Der Vergleich mit PET-CT und Histopathologie ergab, dass die mpMRT das Karzinomvolumen unterschätzt (Bettermann 2019).
Künstliche Intelligenz
Künstliche Intelligenz (KI) könnte die Radiolog:innen dabei unterstützen, die Befundung effizienter zu machen und eine hohe Qualität unabhängig vom Befundenden zu erreichen.
Ein am Deutschen Krebsforschungszentrum mitentwickelter Deep Learning Algorithmus (U-Net) wurde mit T2w und DWI (b-Wert 1500 s/mm2) Scans von 259 Patienten mit Prostatakarzinom „trainiert“. U-Net zeigte für PI-RDS 4 und 5 eine ähnliche diagnostische Performance wie befundende Radiolog:innen.
Der KI bescheinigte Schlemmer für die klinische Diagnostik großes Potenzial.Referenzen "RöKo 2023 – Multiparametrische MRT der Prostata: Prädiktor quantitativer ADC"
Bettermann AS et al. [68Ga-]PSMA-11 PET/CT and multiparametric MRI for gross tumor volume delineation in a slice by slice analysis with whole mount histopathology as a reference standard - Implications for focal radiotherapy planning in primary prostate cancer. Radiother Oncol 2019;141:214-19
Beyer T et al. PI-RADS 2.1 - Image Interpretation: The Most Important Updates and Their Clinical Implications. RoFo 2021;193(7):787-96
Eklund M et al. MRI-Targeted or Standard Biopsy in Prostate Cancer Screening. N Engl J Med 2021;385(10):908-20
Franiel T et al. mpMRI of the Prostate (MR-Prostatography): Updated Recommendations of the DRG and BDR on Patient Preparation and Scanning Protocol. RoFo 2021;193(7):763-77
Schelb P et al. Simulated clinical deployment of fully automatic deep learning for clinical prostate MRI assessment. Eur Radiol 2021;31(1):302-13
Tavakoli AA et al. Contribution of Dynamic Contrast-enhanced and Diffusion MRI to PI-RADS for Detecting Clinically Significant Prostate Cancer. Radiology 2023;306(1):186-99
Westphalen AC et al. Variability of the Positive Predictive Value of PI-RADS for Prostate MRI across 26 Centers: Experience of the Society of Abdominal Radiology Prostate Cancer Disease-focused Panel. Radiology 2020;296(1):76-84