Xác định các yếu tố có thể ảnh hưởng đến hiệu suất phân loại của các mô hình radiomics sử dụng hình ảnh chụp nhũ ảnh có tăng cường độ tương phản (CEM)

Cancer Imaging - Tập 22 - Trang 1-13 - 2022
Yuqi Sun1, Simin Wang2,3, Ziang Liu4, Chao You2,3, Ruimin Li2,3, Ning Mao5, Shaofeng Duan6, Henry S. Lynn1, Yajia Gu2,3
1Department of Biostatistics, Key Laboratory on Public Health Safety of the Ministry of Education, School of Public Health, Fudan University, Shanghai, China
2Department of Radiology, Fudan University Shanghai Cancer Center, Shanghai, China
3Department of Oncology, Shanghai Medical College, Fudan University, Shanghai, China
4Department of Biostatistics, School of Public Health, Yale University, New Haven, USA
5Department of Radiology, Yantai Yuhuangding Hospital, Qingdao University, Shandong, China
6GE Healthcare China, Shanghai, China

Tóm tắt

Radiomics đóng một vai trò quan trọng trong lĩnh vực ung thư. Chỉ có một vài nghiên cứu tập trung vào việc xác định các yếu tố có thể ảnh hưởng đến hiệu suất phân loại của các mô hình radiomics. Mục tiêu của nghiên cứu này là sử dụng hình ảnh chụp nhũ ảnh có tăng cường độ tương phản (CEM) để xác định các yếu tố có thể ảnh hưởng đến hiệu suất của các mô hình radiomics trong chẩn đoán tổn thương vú. Tổng cộng có 157 phụ nữ với 161 tổn thương vú đã được đưa vào nghiên cứu. Hồi quy thu hẹp tối thiểu và toán tử lựa chọn (LASSO) và thuật toán rừng ngẫu nhiên (RF) được sử dụng để xây dựng các mô hình radiomics. Kết quả phân loại cho mỗi tổn thương được thu được bằng cách sử dụng 100 vòng xác thực chéo năm lần. Các đặc điểm hình ảnh được diễn giải bởi các bác sĩ chẩn đoán hình ảnh đã được sử dụng trong phân tích nhân tố khám phá. Thực hiện phân tích đơn biến và đa biến để xác định mối liên hệ giữa các đặc điểm hình ảnh và tình trạng phân loại sai. Các phân tích khám phá bổ sung đã được thực hiện để kiểm tra các phát hiện. Trong số các tổn thương bị phân loại sai bởi cả LASSO và RF ≥ 20% số lần lặp trong xác thực chéo và những tổn thương bị phân loại sai bởi cả hai thuật toán ≤ 5% số lần lặp, phân tích đơn biến cho thấy kích thước tổn thương lớn hơn và sự hiện diện của các hiện tượng rìa và/hoặc hiện tượng gợn sóng liên quan đến nhiều phân loại sai hơn của các tổn thương lành tính, và kích thước tổn thương nhỏ hơn liên quan đến nhiều phân loại sai hơn của các tổn thương ác tính (tất cả đều có p < 0,050). Phân tích đa biến cho thấy kích thước tổn thương nhỏ hơn (tỉ lệ cược [OR] = 0,699, p = 0,002) và sự hiện diện của các hiện tượng bẫy không khí (OR = 35,568, p = 0,025) là những yếu tố có thể dẫn đến phân loại sai trong các tổn thương ác tính. Các phân tích khám phá bổ sung cho thấy các tổn thương lành tính với các hiện tượng rìa và các tổn thương ác tính nhỏ (< 20 mm) với các hiện tượng bẫy không khí bị phân loại sai khoảng 50% tần suất so với các tổn thương lành tính và ác tính không có những yếu tố này. Kích thước tổn thương và các hiện tượng trong hình ảnh CEM có thể ảnh hưởng đến hiệu suất chẩn đoán của các mô hình radiomics. Kết quả phân loại cho các tổn thương xuất hiện với các yếu tố nhất định có thể kém đáng tin cậy hơn.

Từ khóa

#radiomics #phân loại tổn thương #chụp nhũ ảnh #hồi quy LASSO #thuật toán rừng ngẫu nhiên

Tài liệu tham khảo

Liu Z, Wang S, Dong D, Wei J, Fang C, Zhou X, et al. The applications of radiomics in precision diagnosis and treatment of oncology: opportunities and challenges. Theranostics. 2019;9:1303–22. Rogers W, Thulasi Seetha S, Refaee TAG, Lieverse RIY, Granzier RWY, Ibrahim A, et al. Radiomics: from qualitative to quantitative imaging. Br J Radiol. 2020;93:20190948. Conti A, Duggento A, Indovina I, Guerrisi M, Toschi N. Radiomics in breast cancer classification and prediction. Semin Cancer Biol. 2020;72:238–50. Lee SH, Park H, Ko ES. Radiomics in breast imaging from techniques to clinical applications: a review. Korean J Radiol. 2020;21:779–92. Lambin P, Rios-Velazquez E, Leijenaar R, Carvalho S, van Stiphout RGPM, Granton P, et al. Radiomics: extracting more information from medical images using advanced feature analysis. Eur J Cancer. 2012;48:441–6. Kumar V, Gu Y, Basu S, Berglund A, Eschrich SA, Schabath MB, et al. Radiomics: the process and the challenges. Magn Reson Imaging. 2012;30:1234–48. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2015;278:563–77. Valdora F, Houssami N, Rossi F, Calabrese M, Tagliafico AS. Rapid review: radiomics and breast cancer. Breast Cancer Res Tr. 2018;169:217–29. Dromain C, Thibault F, Muller S, Rimareix F, Delaloge S, Tardivon A, et al. Dual-energy contrast-enhanced digital mammography: initial clinical results. Eur Radiol. 2011;21:565–74. Ghaderi KF, Phillips J, Perry H, Lotfi P, Mehta TS. Contrast-enhanced mammography: current applications and future directions. Radiographics. 2019;39:1907–20. Lalji UC, Jeukens CRLPN, Houben I, Nelemans PJ, van Engen RE, van Wylick E, et al. Evaluation of low-energy contrast-enhanced spectral mammography images by comparing them to full-field digital mammography using EUREF image quality criteria. Eur Radiol. 2015;25:2813–20. Francescone MA, Jochelson MS, Dershaw DD, Sung JS, Hughes MC, Zheng J, et al. Low energy mammogram obtained in contrast-enhanced digital mammography (CEDM) is comparable to routine full-field digital mammography (FFDM). Eur J Radiol. 2014;83:1350–5. Fanizzi A, Losurdo L, Basile TMA, Bellotti R, Bottigli U, Delogu P, et al. Fully automated support system for diagnosis of breast Cancer in contrast-enhanced spectral mammography images. J Clin Med. 2019;8:891. Danala G, Patel B, Aghaei F, Heidari M, Li J, Wu T, et al. Classification of breast masses using a computer-aided diagnosis scheme of contrast enhanced digital mammograms. Ann Biomed Eng. 2018;46:1419–31. Patel BK, Ranjbar S, Wu T, Pockaj BA, Li J, Zhang N, et al. Computer-aided diagnosis of contrast-enhanced spectral mammography: a feasibility study. Eur J Radiol. 2018;98:207–13. Fusco R, Vallone P, Filice S, Granata V, Petrosino T, Rubulotta MR, et al. Radiomic features analysis by digital breast tomosynthesis and contrast-enhanced dual-energy mammography to detect malignant breast lesions. Biomed Signal Process Control. 2019;53:101568. Losurdo L, Fanizzi A, Basile TMA, Bellotti R, Bottigli U, Dentamaro R, et al. Radiomics analysis on contrast-enhanced spectral mammography images for breast Cancer diagnosis: a pilot study. Entropy. 2019;21:1110. Lin F, Wang Z, Zhang K, Yang P, Ma H, Shi Y, et al. Contrast-enhanced spectral mammography-based Radiomics Nomogram for identifying benign and malignant breast lesions of Sub-1 cm. Front Oncol. 2020;10:573630. Limkin EJ, Sun R, Dercle L, Zacharaki EI, Robert C, Reuzé S, et al. Promises and challenges for the implementation of computational medical imaging (radiomics) in oncology. Ann Oncol. 2017;28:1191–206. Verma V, Simone CB 2nd, Krishnan S, Lin SH, Yang J, Hahn SM. The rise of Radiomics and implications for oncologic management. J Natl Cancer Inst. 2017;109. D’Orsi CJSE, Mendelson EB, Morris EA. ACR BI-RADS® atlas: breast imaging reporting and data system. Reston: American College of Radiology; 2013. D’Orsi CJ, Sickles EA, Mendelson EB, Morris EA. ACR BI-RADS Atlas. Breast Imaging Reporting and Data System 2013. Bhimani C, Li L, Liao L, Roth RG, Tinney E, Germaine P. Contrast-enhanced spectral mammography: modality-specific artifacts and other factors which may interfere with image quality. Acad Radiol. 2017;24:89–94. Nori J, Gill MK, Vignoli C, Bicchierai G, De Benedetto D, Di Naro F, et al. Artefacts in contrast enhanced digital mammography: how can they affect diagnostic image quality and confuse clinical diagnosis? Insights Imaging. 2020;11:16. Yuan G-X, Ho C-H, Lin C-J. An improved glmnet for l1-regularized logistic regression. J Machine Learn Res. 2012;13:1999–2030. Breiman L. Random forests. Mach Learn. 2001;45:5–32. Friedman J, Hastie T, Tibshirani R. Regularization paths for generalized linear models via coordinate descent. J Stat Softw. 2010;33:1. Maalouf M. Logistic regression in data analysis: an overview. Int J Data Analysis Techniques Strategies. 2011;3:281–99. Chen C, Liaw A, Breiman L. Using random forest to learn imbalanced data. Berkeley: University of California; 2004;110:24. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. Scikit-learn: Machine learning in Python. J Machine Learn Res. 2011;12:2825–30. Fluss R, Faraggi D, Reiser B. Estimation of the Youden index and its associated cutoff point. Biometrical J. 2005;47:458–72. Chambers J. Software for data analysis: programming with R: Springer Science & Business Media; 2008. Rudnicki W, Heinze S, Niemiec J, Kojs Z, Sas-Korczynska B, Hendrick E, et al. Correlation between quantitative assessment of contrast enhancement in contrast-enhanced spectral mammography (CESM) and histopathology-preliminary results. Eur Radiol. 2019;29:6220–6. Deng CY, Juan YH, Cheung YC, Lin YC, Lo YF, Lin G, et al. Quantitative analysis of enhanced malignant and benign lesions on contrast-enhanced spectral mammography. Br J Radiol. 2018;91:20170605. Lv Y, Chi X, Sun B, Lin S, Xing D. Diagnostic value of quantitative gray-scale analysis of contrast-enhanced spectral mammography for benign and malignant breast lesions. J Comput Assist Tomogr. 2020;44:405–12. Dromain C, Vietti-Violi N, Meuwly JY. Angiomammography: a review of current evidences. Diagn. Interv. Imaging. 2019;100:593–605. Luczynska E, Niemiec J, Heinze S, Adamczyk A, Ambicka A, Marcyniuk P, et al. Intensity and pattern of enhancement on CESM: prognostic significance and its relation to expression of Podoplanin in tumor Stroma - a preliminary report. Anticancer Res. 2018;38:1085–95. Yagil Y, Shalmon A, Rundstein A, Servadio Y, Halshtok O, Gotlieb M, et al. Challenges in contrast-enhanced spectral mammography interpretation: artefacts lexicon. Clin Radiol. 2016;71:450–7. Lancaster RB, Gulla S, De Los SJ, Umphrey HR. Contrast-enhanced spectral mammography in breast imaging. Semin Roentgenol. 2018;53:294–300. James JJ, Tennant SL. Contrast-enhanced spectral mammography (CESM). Clin Radiol. 2018;73:715–23. Savaridas SL, Taylor DB, Gunawardana D, Phillips M. Could parenchymal enhancement on contrast-enhanced spectral mammography (CESM) represent a new breast cancer risk factor? Correlation with known radiology risk factors. Clin Radiol. 2017;72:1085.e1081–1085.e1089. Sogani J, Morris EA, Kaplan JB, D’Alessio D, Goldman D, Moskowitz CS, et al. Comparison of background parenchymal enhancement at contrast-enhanced spectral mammography and breast MR imaging. Radiology. 2016;282:63–73. Zamora K, Allen E, Hermecz B. Contrast mammography in clinical practice: current uses and potential diagnostic dilemmas. Clin Imaging. 2021;71:126–35. Gluskin J, Click M, Fleischman R, Dromain C, Morris EA, Jochelson MS. Contamination artifact that mimics in-situ carcinoma on contrast-enhanced digital mammography. Eur J Radiol. 2017;95:147–54. Neppalli S, Kessell MA, Madeley CR, Hill ML, Vlaskovsky PS, Taylor DB. Artifacts in contrast-enhanced mammography: are there differences between vendors? Clin Imaging. 2021;80:123–30. Knogler T, Homolka P, Hörnig M, Leithner R, Langs G, Waitzbauer M, et al. Contrast-enhanced dual energy mammography with a novel anode/filter combination and artifact reduction: a feasibility study. Eur Radiol. 2016;26:1575–81. Sistermanns M, Kowall B, Hörnig M, Beiderwellen K, Uhlenbrock D. Motion artifact reduction in contrast-enhanced dual-energy mammography - a multireader study about the effect of nonrigid registration as motion correction on image quality. Rofo. 2021;193:1183–8. Lu Y, Peng B, Lau BA, Hu Y-H, Scaduto DA, Zhao W, et al. A scatter correction method for contrast-enhanced dual-energy digital breast tomosynthesis. Phys Med Biol. 2015;60:6323–54. Sensakovic WF, Carnahan MB, Czaplicki CD, Fahrenholtz S, Panda A, Zhou Y, et al. Contrast-enhanced mammography: how does it work? Radiographics. 2021;41:829–39. Wang S, Sun Y, Li R, Mao N, Li Q, Jiang T, et al. Diagnostic performance of perilesional radiomics analysis of contrast-enhanced mammography for the differentiation of benign and malignant breast lesions. Eur Radiol. 2022;32:639–49.
Thông tin
Thông tin xuất bản

Cancer Imaging

Tập 22

1-13

Thông tin tác giả