SpondyloMet Classifier
1.0.0
このリポジトリには、以下の記事のソース コードが含まれています。
ベストモデルは Shiny Web アプリからアクセスできます。予測は、最終的なランダム フォレスト モデルを使用して行われます。
著者:ナターサ ブリスドヴァ¹、ソナ バロゴヴァ²、イベタ ワチュリコヴァ¹
文通：ナターサ・ブリスドヴァ
所属: ¹ブラチスラヴァ、カレル大学、数学、物理学、情報学部
²カレル大学医学部（ブラチスラヴァ）
標的治療の早期開始により、脊椎椎間板炎 (SD) および/または脊椎転移 (MET) による不可逆的な神経学的合併症の可能性を防ぐことができます。ただし、これらの状態を区別することは、特に初期段階では困難な場合があります。
目的: SD と MET を区別するのに役立つ FDG を使用した PET の放射特性を特定すること。
さまざまな悪性腫瘍によるSDと確認された症例30例とMET例30例を含む60人の患者の31個の二次以上の放射分析要素について遡及的分析が実施された。合計 40 件の SD 所見と 40 件の MET 所見が、診断画像の従来の要素、テクスチャ要素、形状要素を計算する LIFEx フリーウェアを使用して分析されました。
患者の臨床的特徴は、ノンパラメトリックウィルコクソン順位和検定を使用して比較されました。診断精度は ROC 曲線を使用して評価されました。さらに、機械学習を使用して、SD と MET を区別する予測能力を評価しました。多重ロジスティック回帰、ランダム フォレスト、サポート ベクター マシンの 3 つの方法と、K 分割交差検証、Leave-One-Out 交差検証、およびトレーニング テスト分割の 3 つの異なるデータ選択方法をテストしました。
31 個の放射要素のうち、24 個が SD と MET の区別において統計的に有意でした (p < 0.05)。これらのうち、9 つの要素の診断精度は AUC > 80% でした。最高値は次のパラメータによって達成されました。
機械学習では、トレーニングとテストの分割データ選択を伴うランダム フォレスト手法が最も効果的で、0.28 のカットオフと 98.61% の AUC を達成しました。
この結果は、ラジオミクス解析と機械学習が、FDG を用いた PET/CT における SD と MET を区別するための有望なアプローチであることを裏付けています。これらの方法のさらなる検証は、調査結果によって裏付けられています。
