Herausforderungen beim Staging von Kopf-Hals-Tumoren - Interview mit Prof. Dr. Beer

Die Schnittbilddiagnostik spielt – neben der klinischen Untersuchung und Endoskopie – eine entscheidende Rolle in der Diagnostik der Kopf-Hals-Tumoren. Zudem wird die Therapieauswahl durch den radiologischen Befund gesteuert. Wir sprachen mit Herrn Prof. Dr. Meinrad Beer, Ärztlicher Direktor der diagnostischen und interventionellen Radiologie im Universitätsklinikum Ulm, über die Besonderheiten beim Staging der Kopf-Hals-Tumoren aus radiologischer Sicht.

Welche Anforderungen stellt die Beurteilung der HNO-Tumore an die Radiologie?

Ein allgemeingültiges Bildgebungsprotokoll für das Staging aller Tumorentitäten im Kopf-Hals Bereich kann es nicht geben, da die Fragestellungen und die anatomischen Herausforderungen je nach der Tumorlokalisation stark variieren. CT und MRT können sich durch die unterschiedlich gute Darstellung verschiedener Tumormerkmale sinnvoll ergänzen und wir müssen uns über diese Modalitäten hinaus ein Gesamtbild verschaffen.
 
HNO-Tumore stellen nicht nur RadiologInnen, sondern auch die behandelnden ÄrztInnen vor sensible Herausforderungen. Operative Eingriffe bei Tumorerkrankungen im Kopf-Hals-Bereich können zu äußerst belastenden Entstellungen und Funktionsverlusten führen – umso wichtiger ist eine klare, eindeutige Kommunikation mit unseren Kollegen.

Welche Herausforderungen gibt es speziell beim Staging der Kopf-Hals-Tumore?

Die Anatomie im Kopf-Hals Bereich ist komplex, insbesondere die dreidimensionale Erfassung der einzelnen Strukturen. Auch die Abgrenzung benachbarter anatomischer Strukturen (Larynx/Pharynx) vor allem auf CT-Aufnahmen ist nicht trivial und erfordert langjährige Expertise. Die Abgrenzbarkeit ist von Ko-Faktoren – wie dem BMI (im Regelfall sind Strukturen dann einfacher voneinander zu unterscheiden, wenn der BMI hoch ist) – abhängig. Dies in ein Befundungstool zu integrieren, erfordert eine differenzierte Klassifizierung.
 
Es gibt zudem eine hohe Anzahl an Tumorentitäten, die beim Staging unterschiedlich beurteilt werden müssen. Auch synchrone oder metachrone Zweittumoren – beispielsweise in der Lunge, im Ösophagus oder im Kolon –   kommen häufig vor.  Hinzu kommt, dass Kopf-Hals-Karzinome die Tendenz haben, schnell Lymphknotenmetastasen zu entwickeln und die Lymphknoten-Beurteilung eine immer größere Rolle spielt.

Wie hilft mint LesionTM, diese Herausforderungen zu bewältigen?
Da mint LesionTM die Regeln für die Berechnung des TNM für alle 12 Tumorentitäten kennt, führt es uns gezielt durch die Befundung. Das bringt eindeutige Vorteile mit sich: Durch die klare Struktur der Ergebnisse wird alles für die überweisenden KollegInnen auf Anhieb nachvollziehbar. Die Schemazeichnungen während des Segmentierungsprozesses in mint LesionTM erlauben es auch dem weniger Erfahrenen in der Bildgebung von HNO-Tumoren die Zuordnung und Abgrenzung der einzelnen Organstrukturen richtig festzulegen. Zudem erleichtert das Zusammenspiel von Primärtumorsegmentierung und Lymphknoten-Definition ein konklusives und umfassendes Staging. 


Man hat mittlerweile auch erkannt, dass virale Infektionen (wie z. B. die humane Papillomaviren (HPV)) ebenfalls wichtige ätiologische Faktoren sind. Die aktuelle TNM-Klassifikation benutzt daher den Surrogatmarker p16, um die Auslösung von Oropharynxkarzinomen durch HPV zu erfassen. Die Hereinnahme der p16 Mutation in die strukturierte Befundung mittels mint LesionTM stellt einen wegweisenden Schritt in eine multimodale, personalisierte onkologische Befundung im Kopf-Hals-Bereich dar.

Ähnliche Inhalte

Ähnliche Inhalte

Puzzleteile verbinden sich zu einem interoperablen System

FHIR im Gesundheitswesen: Das Potenzial der Interoperabilität

Im Gesundheitswesen ist die Interoperabilität ein wichtiger Wegbereiter: Interoperable Systeme ermöglichen die nahtlose Kommunikation von…

Drei wichtigen Sequenzen (FLAIR, T2, T1 mit Kontrastmittel) in der Glioblastom-Bewertung

Optimierung der Bildgebung bei Glioblastomen: Verbesserung der MRT-Effizienz und -Qualität durch Deep Learning

Diese Studie untersucht den Einsatz von Deep Learning (DL) zur Optimierung von MRT-Protokollen bei Patient:innen mit Glioblastomen, mit dem Ziel, die…

Drei wichtigen Sequenzen (FLAIR, T2, T1 mit Kontrastmittel) in der Glioblastom-Bewertung

Universitätsklinikum Tübingen: Fortschritte in der Effizienz von MRT bei der Behandlung von Glioblastomen durch Deep Learning

Diese Studie untersucht den Einsatz von Deep Learning (DL) zur Optimierung von MRT-Protokollen für Patient:innen mit Glioblastomen. Glioblastome, die…