Promotionsvortrag von Feline Heinzelmann

Pädiatrische Hirntumore werden zunehmend mit Protonentherapie (PT) behandelt. Allerdings gibt es Bedenken, dass eine variable relative biologische Wirksamkeit (RBW) der Protonen zu einer biologischen Überdosierung des normalen Hirngewebes führen könnte und späte behandlungsbedingte Schäden verursacht, die sich häufig zunächst als MRT-sichtbare Bildveränderungen (IC) in der Nachsorge zeigen. Das Ziel dieser Arbeit bestand darin, zu untersuchen, ob die klinisch nicht berücksichtigte RBW-Variabilität mit dem Auftreten und der räumlichen Verteilung von IC bei Kindern mit Hirntumoren assoziiert ist. Hierzu wurde eine logistische Regressionsmodellierung der Wahrscheinlichkeit von Komplikationen in normalem Gewebe (NTCP) durchgeführt. Die Modellierung erfolgte in einer retrospektiven, registerbasierten Kohorte mit gemischten pädiatrischen Hirntumoren und in einer Ependymom-Subkohorte. In letzterer wurde zusätzlich der Einfluss zweier unterschiedlicher Endpunktdefinitionen für IC bewertet. Über alle Kohorten hinweg zeigte sich ein eindeutiger Zusammenhang zwischen IC-Risiko und Dosis. Modelle, die einen variablen RBW berücksichtigten, zeigten in der Regel eine deutlich bessere Diskriminierung von IC-Voxeln gegenüber Voxeln ohne IC als Modelle mit konstanter RBW-gewichteter Dosis, wobei der Zusammenhang zwischen Dosis, linearer Energietransfer (LET) und Gewebeantwort in der gemischten Kohorte und einer Ependymom-Subkohorte besonders ausgeprägt war. Dies unterstreicht die Notwendigkeit einer standardisierten LET-Dokumentation und der Berücksichtigung eines variablen RBW in der pädiatrischen PT. Eine erhöhte Radiosensitivität der periventrikulären Region wurde nicht beobachtet, was darauf hindeutet, dass die Ergebnisse aus Erwachsenenkohorten nicht direkt auf pädiatrische Populationen übertragbar sind.
Die manuelle Konturierung des Hirnstamms und des Ventrikelsystems erfordert viel Zeit und Expertise und kann zu Variabilität der resultierenden Konturen führen. In einem weiteren Projekt wurden nnU-Net-basierte Deep-Learning-Modelle zur automatischen MRT-Segmentierung beider Strukturen entwickelt und quantitativ mit etablierten Segmentierungsmetriken sowie prospektiv im klinischen Routinebetrieb mit Likert-Skalen evaluiert. Das Segmentierungsframework erzeugte nach geringfügigen Änderungen klinisch akzeptable Konturen. Die größten Abweichungen zu manuellen Konturen traten nach der Übertragung aufs CT in der Nähe der kraniozervikalen Grenze auf. Der Konturierungsaufwand konnte um etwa 50% reduziert werden.
Insgesamt vereinfachen der entwickelte NTCP-Modellierungs-Workflow und das automatische Segmentierungsframework wichtige Schritte in der pädiatrischen PT-Planung. Dies ermöglicht quantitative Risikobewertungen und erleichtert zukünftige strahlenbiologische Studien.