#PAGE_PARAMS# #ADS_HEAD_SCRIPTS# #MICRODATA#

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: https://doi.org/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 tento týden
Nejčtenější v tomto čísle
Kurzy

Zvyšte si kvalifikaci online z pohodlí domova

BONE ACADEMY 2025
nový kurz
Autoři: prof. MUDr. Pavel Horák, CSc., doc. MUDr. Ludmila Brunerová, Ph.D, doc. MUDr. Václav Vyskočil, Ph.D., prim. MUDr. Richard Pikner, Ph.D., MUDr. Olga Růžičková, MUDr. Jan Rosa, prof. MUDr. Vladimír Palička, CSc., Dr.h.c.

Cesta pacienta nejen s SMA do nervosvalového centra
Autoři: MUDr. Jana Junkerová, MUDr. Lenka Juříková

Svět praktické medicíny 2/2025 (znalostní test z časopisu)

Eozinofilní zánět a remodelace
Autoři: MUDr. Lucie Heribanová

Hypertrofická kardiomyopatie: Moderní přístupy v diagnostice a léčbě
Autoři: doc. MUDr. David Zemánek, Ph.D., MUDr. Anna Chaloupka, Ph.D.

Všechny kurzy
Kurzy Podcasty Doporučená témata Časopisy
Přihlášení
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

#ADS_BOTTOM_SCRIPTS#