Diferenciální diagnostika glioblastomu a solitárních metastáz mozku – úspěch modelů umělé inteligence vytvořených na základě radiomických dat získaných automatickou segmentací z konvenčních MR sekvencí


Autoři: E. Demirel 1;  C. O. Gökaslan 1;  O. Dilek 2;  C. Ozdemir 3;  M. G. Boyacı 4;  S. Korkmaz 4
Působiště autorů: Department of Radiology, Afyonkarahisar Health Sciences University, Afyonkarahisar, Turkey 1;  Department of Radiology, University of Health Sciences, Adana Teaching and Research Hospital, Adana, Turkey 2;  Department of Pathology, Afyonkarahisar Health Sciences University, Afyonkarahisar, Turkey 3;  Department of Neurosurgery, Afyonkarahisar Health Sciences University, Afyonkarahisar, Turkey 4
Vyšlo v časopise: Cesk Slov Neurol N 2021; 84(6): 541-546
Kategorie: Původní práce
doi: 10.48095/cccsnn2021541

Souhrn

Cíl: Cílem naší studie bylo odlišit glioblastom (GBM) od solitární metastázy mozku za pomoci strojových modelů vyvinutých na základě radiomických dat získaných automatickou segmentací nádoru z konvenčích MR skenů pacientů pomocí umělé inteligence. Metody: Naše studie byla prováděna na jednom pracovišti a byla retrospektivní. Do studie bylo zařazeno 35 pacientů s GBM a 25 pacientů se solitární metastázou na mozku, u nichž byla před operací provedena MR mozku s kontrastní látkou. Do programu BraTumIA byly nahrány T1 vážené obrazy, T1 vážené obrazy po podání kontrastní látky, T2 vážené obrazy a T2 vážené obrazy s využitím sekvence fluid attenuated inversion recovery (FLAIR). V programu byly léze pacienta pomocí umělé inteligence rozděleny do čtyř různých segmentů: nekróza, nesytící se solidní oblast, sytící se solidní oblast a peritumorózní edém. Z T1 obrazů po podání kontrastní látky a T2 FLAIR obrazů bylo extrahováno 856 znaků. Pro výběr znaků, optimalizaci modelu a validaci byl použit vnořený (nested) přístup. Byly modelovány umělé neuronové sítě, podpůrný vektorový stroj, náhodný les a naivní bayesovský klasifikátor. Funkce modelu byla hodnocena pomocí přesnosti, senzitivity, specificity a plochy pod křivkou (area under the curve; AUC). Výsledky: Mezi skupinami s GBM a s metastázou nebyly rozdíly ve věku a pohlaví. Nejúspěšnější výsledky byly získány pomocí algoritmu neuronové sítě – byla získána hodnota AUC 0,970. U algoritmů za použití podpůrného vektorové stroje, naivního bayesovského klasifikátoru, logistické regrese či náhodného lesu byly získány hodnoty AUC 0,959, 0,955, 0,955, respektive 0,917. Závěr: V diferenciální diagnostice GBM a solitárních metastáz mozku mohou modely umělé inteligence založené na radiomických datech pomocí automatické segmentace objektivně a s vysokou přesností odlišovat tak, že závislost na prostředku a osobě udržují na nejnižší úrovni za použití prostých konvenčních sekvencí.

Klíčová slova:

radiomika – strojové učení – glioblastoma – metastazující nádor na mozku – analýza textury – automatická segmentace


Zdroje

1. Lemke DM. Epidemiology, dia­gnosis, and treatment of patients with metastatic cancer and high-grade gliomas of the central nervous system. J Infus Nurs 2004; 27 (4): 263–269. doi: 10.1097/00129804-200407000-00012.

2. Maurer MH, Synowitz M, Badakshi H et al. Glioblastoma multiforme versus solitary supratentorial brain metastasis: differentiation based on morphology and magnetic resonance signal characteristics. Rofo 2013; 185 (3): 235–240. doi: 10.1055/s-0032-1330318.

3. Pollo B. Pathological classification of brain tumors. Q J Nucl Med Mol Imaging 2012; 56 (2): 103–111.

4. Malone H, Yang J, Hershman DL et al. Complications following stereotactic needle bio­psy of intracranial tumors. World Neurosurg 2015; 84 (4): 1084–1089. doi: 10.1016/j.wneu.2015.05.025.

5. Blasel S, Jurcoane A, Franz K et al. Elevated peritumoural rCBV values as a mean to differentiate metastases from high-grade gliomas. Acta Neurochir 2010; 152 (11): 1893–1899. doi: 10.1007/s00701-010-0774-7.

6. Server A, Josefsen R, Kulle B et al. Proton magnetic resonance spectroscopy in the distinction of high-grade cerebral gliomas from single metastatic brain tumors. Acta Radiol 2010; 51 (3): 316–325. doi: 10.3109/02841850903482901.

7. Wang S, Kim S, Poptani H et al. Dia­gnostic utility of diffusion tensor imaging in differentiating glioblastomas from brain metastases. AJNR Am J Neuroradiol 2014; 35 (5): 928–934. doi: 10.3174/ajnr.A3871.

8. Jung BC, Arevalo-Perez J, Lyo JK et al. Comparison of glioblastomas and brain metastases using dynamic contrast-enhanced perfusion MRI. J Neuroimaging 2016; 26 (2): 240–246. doi: 10.1111/jon.12281.

9. Lambin P, Rios-Velazquez E, Leijenaar R et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer 2012; 48 (4): 441–446. doi: 10.1016/j.ejca.2011.11.036.

10. Porz N, Bauer S, Pica A et al. Multi-modal glioblastoma segmentation: man versus machine. PloS One 2014; 9 (5): e96873. doi: 10.1371/journal.pone.0096873.

11. Rios Velazquez E, Meier R, Dunn WD et al. Fully automatic GBM segmentation in the TCGA-GBM dataset: prognosis and correlation with VASARI features. Sci Rep 2015; 5: 16822. doi: 10.1038/srep16822.

12. Porz N, Habegger S, Meier R et al. Fully Automated enhanced tumor compartmentalization: man vs. machine reloaded. PLoS One 2016; 11 (11): e0165302. doi: 10.1371/journal.pone.0165302.

13. Haralick RM, Shanmugam K, Dinstein IH. Textural features for image classification. IEEE Trans Syst Man Cybern 1973; 3 (6): 610–621.

14. Galloway MM. Texture analysis using gray level run lengths. Comput Graph Image Process 1975; 4 (2): 172–179. doi: 10.1016/S0146-664X (75) 80008-6.

15. Chu A, Sehgal CM, Greenleaf JF. Use of gray value distribution of run lengths for texture analysis. Pattern Recognit Lett 1990; 11 (6): 415–419. doi: 10.1016/0167-8655 (90) 90112-F.

16. Abraham A, Pedregosa F, Eickenberg M et al. Machine learning for neuroimaging with scikit-learn. Front Neuroinform 2014; 8: 14. doi: 10.3389/fninf.2014.00014.

17. Hall M, Frank E, Holmes G et al. The WEKA data mining software: an update. SIGKDD Explor 2009; 11 (1): 10–18. doi: 10.1145/1656274.1656278.

18. Kohavi R, John GH. Wrappers for feature subset selection. Artif Intell 1997; 97 (1–2): 273–324. doi: 10.1016/S0004-3702 (97) 00043-X.

19. Su X, Sun H, Chen N et al. A radiomics-clinical nomogram for preoperative prediction of IDH1 mutation in primary glioblastoma multiforme. Clin Radiol 2020; 75 (12): 963.e7–963.e15. doi: 10.1016/j.crad.2020.07. 036.

20. Suh HB, Choi YS, Bae S et al. Primary central nervous system lymphoma and atypical glioblastoma: differentiation using radiomics approach. Eur Radiol 2018; 28 (9): 3832–3839. doi: 10.1007/s00330-018-5368-4.

21. Haarburger C, Müller-Franzes G, Weninger L et al. Radiomics feature reproducibility under inter-rater variability in segmentations of CT images. Sci Rep 2020; 10 (1): 12688. doi: 10.1038/s41598-020-69534-6.

22. Chen W, Liu B, Peng S et al. Computer-aided grading of gliomas combining automatic segmentation and radiomics. Int J Biomed Imaging 2018; 2018: 2512037. doi: 10.1155/2018/2512037.

23. Bae S, An C, Ahn SS et al. Robust performance of deep learning for distinguishing glioblastoma from single brain metastasis using radiomic features: model development and validation. Sci Rep 2020; 10 (1): 12110. doi: 10.1038/s41598-020-68980-6.

24. Chen C, Ou X, Wang J et al. Radiomics-based machine learning in differentiation between glioblastoma and metastatic brain tumors. Front Oncol 2019; 9: 806. doi: 10.3389/fonc.2019.00806.

25. Ortiz-Ramón R, Ruiz-España S, Mollá-Olmos E et al. Glioblastomas and brain metastases differentiation fol­- lowing an MRI texture analysis-based radiomics approach. Phys Med 2020; 76: 44–54. doi: 10.1016/j.ejmp.2020.06.016.

26. Qian Z, Li Y, Wang Y et al. Differentiation of glioblastoma from solitary brain metastases using radiomic machine-learning classifiers. Cancer Lett 2019; 451: 128–135. doi: 10.1016/j.canlet.2019.02.054.

27. Artzi M, Bressler I, Ben Bashat D. Differentiation between glioblastoma, brain metastasis and subtypes using radiomics analysis. J Magn Reson Imaging 2019; 50 (2): 519–528. doi: 10.1002/jmri.26643.

28. Dong F, Li Q, Jiang B et al. Differentiation of supratentorial single brain metastasis and glioblastoma by using peri-enhancing oedema region-derived radiomic features and multiple classifiers. Eur Radiol 2020; 30 (5): 3015–3022. doi: 10.1007/s00330-019-06460-w.

Štítky
Dětská neurologie Neurochirurgie Neurologie

Článek vyšel v časopise

Česká a slovenská neurologie a neurochirurgie

Číslo 6

2021 Číslo 6

Nejčtenější v tomto čísle
Přihlášení
Zapomenuté heslo

Nemáte účet?  Registrujte se

Zapomenuté heslo

Zadejte e-mailovou adresu, se kterou jste vytvářel(a) účet, budou Vám na ni zaslány informace k nastavení nového hesla.

Přihlášení

Nemáte účet?  Registrujte se