SpondyloMet Classifier

SpondyloMet Classifier

Dieses Repository enthält den Quellcode für den folgenden Artikel.

Auf das beste Modell kann über die Shiny-Web-App zugegriffen werden. Die Vorhersage erfolgt mithilfe des endgültigen Zufallswaldmodells.

---

Radiomics-Analyse von PET/CT-Befunden mit Fludeoxyglucose (18F) als Biomarker bei der Differenzierung von Spondylodiszitis und Knochenmetastasen bei Patienten mit fokalen Läsionen in der Wirbelsäule

Autoren: Natasa Brisudova¹, Sona Balogova², Iveta Waczulikova¹
Korrespondenz: Natasa Brisudova

Zugehörigkeiten: ¹Fakultät für Mathematik, Physik und Informatik, Karls-Universität, Bratislava
²Medizinische Fakultät, Karls-Universität, Bratislava

Einführung

Durch den frühzeitigen Beginn einer gezielten Behandlung können mögliche irreversible neurologische Komplikationen einer Spondylodiszitis (SD) und/oder Wirbelsäulenmetastasen (MET) verhindert werden. Allerdings kann die Unterscheidung zwischen diesen Erkrankungen insbesondere im Frühstadium eine Herausforderung sein.

Ziel: Identifizierung der radiometrischen Merkmale von PET mit FDG, die zur Unterscheidung von SD und MET beitragen.

Methoden

Eine retrospektive Analyse wurde an 31 radiometrischen Elementen zweiter und höherer Ordnung bei 60 Patienten durchgeführt, wobei 30 Fälle von SD und 30 Fälle von MET aufgrund verschiedener bösartiger Erkrankungen bestätigt wurden. Insgesamt 40 SD-Befunde und 40 MET-Befunde wurden mit der Freeware LIFEx analysiert, die konventionelle, strukturelle und Formelemente diagnostischer Bilder berechnet.

Die klinischen Merkmale der Patienten wurden mithilfe des nichtparametrischen Wilcoxon-Rang-Summen-Tests verglichen. Die diagnostische Genauigkeit wurde anhand der ROC-Kurve beurteilt. Darüber hinaus wurde die Vorhersagefähigkeit zur Unterscheidung von SD und MET mithilfe von maschinellem Lernen bewertet. Drei Methoden wurden getestet: multiple logistische Regression, Random Forest und Support Vector Machines mit drei verschiedenen Datenauswahlmethoden: K-fache Kreuzvalidierung, Leave-One-Out-Kreuzvalidierung und Train-Test-Split.

Ergebnisse

Von den 31 radiometrischen Elementen waren 24 statistisch signifikant (p < 0,05) bei der Unterscheidung von SD und MET. Von diesen wiesen 9 Elemente eine AUC von > 80 % für die diagnostische Genauigkeit auf. Die höchsten Werte wurden durch folgende Parameter erreicht:

• GLZLM_ZP (Cut-off = 0,38, AUC = 83,25 %)
• NGLDM_Contrast (Cut-off = 0,17, AUC = 84,7 %)
• GLRLM_GLNU (Cut-off = 46,1, AUC = 88,8 %)

Beim maschinellen Lernen war die Random-Forest-Methode mit Train-Test-Split-Datenauswahl am effektivsten und erreichte einen Cut-off von 0,28 und eine AUC von 98,61 %.

Schlussfolgerungen

Die Ergebnisse bestätigen, dass Radiomic-Analyse und maschinelles Lernen vielversprechende Ansätze zur Unterscheidung zwischen SD und MET in der PET/CT mit FDG sind. Eine weitere Validierung dieser Methoden wird durch die Ergebnisse gestützt.