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.