Rádiomická analýza funkčného obrazu získaného pozitrónovou emisnou topografiou ako potenciálny biomarker pri odlíšení spondylodiscitídy od kostnej metastázy

Rádiomická analýza funkčného obrazu získaného pozitrónovou emisnou topografiou ako potenciálny biomarker pri odlíšení spondylodiscitídy od kostnej metastázy

Sekcia: 
Rok:
2021

Celkové hodnotenie

Vedecká práca
100%
Prevedenie (dizajn)
100%
Diskusná interakcia
100%
PoužívateľVedecká prácaDizajnDiskusná interakcia
Bc. Daniela Máčalová100%100%100%
MUDr. Natália Babincová100%100%100%
ISBN: ISBN 978-80-972360-7-6

Rádiomická analýza funkčného obrazu získaného pozitrónovou emisnou topografiou ako potenciálny biomarker pri odlíšení spondylodiscitídy od kostnej metastázy

Nataša Brisudová1 , Iveta Waczulíková , Soňa Balogová ,
1 Univerzita Komenského, Bratislava
nana.brisudova@gmail.com

Úvod:

Včasná iniciácia cielenej liečby môže predísť možným nevratným neurologickým komplikáciám spondylodiscitídy (SD) a/alebo spinálnych metastáz (MET), ktorých odlíšenie však môže najmä vo včasných štádiách predstavovať diagnostický problém.

Cieľ:

Identifikovať rádiomické prvky PET obrazu pomocou FDG, ktoré pomôžu rozlíšiť spondylodiscitídu od kostnej metastázy v chrbtici, a navrhnutie modelu na predikciu s adekvátnou diagnostickou presnosťou (80 %) pre klinické využitie

Metóda:

Retrospektívna analýza 31 rádiomických prvkov druhého a vyššieho rádu u 125 pacientov s potvrdenou SD (n=63) a  MET rôznych malignít (n=62). Dokopy bolo analyzovaných 78 nálezov SD a 95 nálezov MET pomocou freeware LIFEx umožňujúceho výpočet konvenčných, textúrnych a tvarových prvkov diagnostických obrazov.

Pomocou štatistického softwaru RStudio boli porovnané klinické charakteristiky pacientov (neparametrický Wilcoxon rank sum test) a ich prijateľná diagnostická presnosť bola testovaná pomocou ROC krivky. Ďalej bola testovaná prediktívna schopnosť rozlišovania SD a MET pomocou machine learning, kde boli testované tri metódy (multiple logistic regression, random forest a support vector machines), s tromi rôznymi spôsobmi výberu tréningových a testovacích dát (K-fold cross-validation, Leave-One-Out Cross-Validation, Train test split).

Výsledky:

Pri odlíšení SD a MET bolo potvrdených 24/31 rádiomických prvkov ako štatisticky signifikantných (p<.05) a u 9/24 bola pre diagnostickú presnosť AUC>80%. Najvyššie hodnoty dosiahli parametre GLZLM_ZP (cut-off=0.38, AUC=83.25 %), NGLDM_Contrast (cut-off=0.17, AUC=84.7 %) a GLRLM_GLNU (cut-off=46.1, AUC=88.8 %). V machine learning bola najefektívnejšia metóda Random Forest so spôsobom výberu dát Train test split a s presnosťou 83.3 % (cut-off=0.28, AUC=98.61 %). Pri validácii tohto modelu sa dosiahla presnosť 93.41 % (cut-off=0.50, AUC = 97%).

Záver:

Výsledky potvrdzujú rádiomickú analýzu a machine learning ako možný smer pri odlíšení SD a MET.

Poďakovanie: 
Zdroje: 

Diskusia

Dobry den Dr. Brisudova,

da sa na zaklade modelu strojoveho ucenia odhadnut, aka velka by musela byt treningova mnozina dat, aby vo vysledku algoritmus urcoval diagnozu presnejsie (alebo aspon tak presne) ako "konvecne"? Ak nie, je na taky ciel nevyhnutny sofistikovanejsi model SU?

Dakujem, PF

Dobrý deň,

Náš algoritmus v porovnaní s konvenčným prístupom vykazuje štatisticky signifikantnejšiu presnosť v určovaní diagnózy. Možno Vás zarazila o niečo nižšia presnosť vybudovaného modelu (83.3 %), ktorá bolo spôsobená menším množstvom testovacích dát (24 lézií). Treba sa však pozerať na AUC, ktoré pri ROC krivke modelu vyšlo (98.61 %) a na hodnoty presnosti modelu po validácii (až 93.41%), kde bolo podstatne viacej otestovaných lézií (91) a teda výsledok je viac akurátny. Pri porovnaní s konvenčným prístupom jasne presahuje diagnostickú presnosť.

Vo všeobecnosti ale na budovanie modelu počet tréningových dát (lézií) stačil, a zvýšeným počtom by sa výsledky o veľa nezmenili. Väčšiu presnosť by sme pravdepodobne dosiahli už len použitím neurónových sietí a hlbokému učeniu.

Ďakujem, s pozdravom slečna Brisudová (nie Dr. :) )

Dakujem za vysvetlenie, snad este jedna otazka - ako je to s prenosom tychto poznatkov a moznosti do praxe? Zelam vela zdaru!

Momentálne je (takmer, až na kozmetické úpravy) dokončená webová aplikácia, kde po nahraní excelu s hodnotami jednotlivých rádiomických prvkov z lézie vypočíta danú predikciu (pomocou nášho modelu) či sa jedná o spondylodiscitidu alebo metastázu.

Avšak v budúcnosti by som rada vytvorila aplikáciu kde by sa namiesto excelu (s už vypocitanymi prvkami) nahral vysegmentovaný nález, ktorá by prvky vypočítala a zároveň urobila aj predikciu. Toto zatiaľ komplikuje fakt, že nejde len o 2D obrazy, ale o 3D nálezy.

Dobry den,
Mna by zaujimalo ako ste na slide 17 statisticky porovnavali Model Random Forestu
rádiomických prvkov a SUVmax? Z coho je dana p-value?

Dobrý deň,
P-value sa vypočítala podľa DeLongovej metódy s použitím algoritmu od Sun and Xu (2014) porovnaním AUC dvoch ROC kriviek. Táto metóda bola ešte vylepšená na počítanie aj unpaired ROC kriviek pomocou unpaired t-testu s unequal sample size a unequal variance.

Este mam jednu trochu naivnu otazku, preco maju ROC krivky na slajde 14 ovela viac "schodov" v porovnani s krivkami na slajde 16.

Dobrý deň, je to veľmi pravdepodobne spôsobené tým, že na ROC krivku čo je na slide 16 bolo použitých len 24 lézií, narozdiel od slidu 14 kde bolo použitých 80. Preto tam je viac "schodov" lebo bolo použitých viacej dát.