Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Nghiên cứu sơ bộ về radiomics T1-mapping gốc 3 T-MRI trong chẩn đoán phân biệt các nốt/mass phổi rắn không vôi hóa
Tóm tắt
Tổn thương do bức xạ CT tích lũy có mối liên hệ tích cực với nguy cơ ung thư gia tăng. Mặc dù gần đây đã biết rằng MRI không phóng xạ là một phương pháp thay thế cho hình ảnh phổi. Tuy nhiên, giá trị của T1-mapping MRI trong chẩn đoán các nốt phổi vẫn còn ít được biết đến. Bài báo này nhằm mục đích nghiên cứu giá trị của các đặc điểm radiomics dựa trên T1-mapping gốc trong chẩn đoán phân biệt các tổn thương phổi. 73 bệnh nhân đã trải qua kiểm tra MRI 3 T trong nghiên cứu tiềm năng này. 99 tổn thương phổi trên hình ảnh T1-mapping gốc được một bác sĩ chụp X quang phân đoạn hai lần vào những thời điểm được chỉ định bằng phần mềm bán tự động nội bộ, sau đó thu thập các đặc điểm radiomics. Hệ số tương quan giữa các lớp (ICC) được sử dụng để phân tích sự đồng thuận giữa các quan sát viên. Giảm kích thước và chọn lựa đặc điểm được thực hiện thông qua phân tích đơn biến và phân tích toán tử chọn lọc và co lại tối thiểu (LASSO). Sau đó, hồi quy logic nhị phân (LR), máy vector hỗ trợ (SVM) và phân loại cây quyết định với đầu vào là các đặc điểm tối ưu đã được lựa chọn để phân loại tổn thương ác tính và lành tính. Đường cong đặc trưng hoạt động của người nhận (ROC), diện tích dưới đường cong (AUC), độ nhạy, độ đặc hiệu và độ chính xác đã được tính toán. Kiểm định Z được sử dụng để so sánh sự khác biệt giữa các giá trị AUC. 107 đặc điểm đã được thu Obtained, trong đó, 19.5% (n = 21) có độ tin cậy tương đối cao (ICC ≥ 0.6). 5 đặc điểm còn lại (3 GLCM, 1 GLSZM và 1 đặc điểm hình dạng) qua giảm kích thước đã được cho là hữu ích. AUC của LR là 0.82 (95%CI: 0.67–0.98), với độ nhạy, độ đặc hiệu và độ chính xác lần lượt là 70%, 85% và 80%. AUC của SVM là 0.82 (95%CI: 0.67–0.98), với độ nhạy, độ đặc hiệu và độ chính xác là 70, 85 và 80%. AUC của cây quyết định là 0.69 (95%CI: 0.49–0.87), với độ nhạy, độ đặc hiệu và độ chính xác lần lượt là 50, 85 và 73.3%. Các mô hình LR và SVM sử dụng các đặc điểm radiomics dựa trên T1-mapping gốc có thể phân biệt các tổn thương phổi ác tính và lành tính, đặc biệt là đối với các nốt không chắc chắn yêu cầu theo dõi lâu dài.
Từ khóa
#MRI #T1-mapping #radiomics #nốt phổi #chẩn đoán phân biệtTài liệu tham khảo
Siegel RL, Miller KD, Fuchs HE, Jemal A. Cancer statistics, 2021. CA Cancer J Clin. 2021;71(1):7–33.
Theresa H, Eva W-P, Gunnar B, Jürgen G. Lung cancer screening with low-dose CT in smokers: a systematic review and meta-analysis. Diagnostics (Basel). 2021;11(6):1040.
National Lung Screening Trial Research Team, Aberle DR, Adams AM, Berg CD, Black WC, Clapp JD, Fagerstrom RM, et al. Reduced lung-cancer mortality with low-dose computed tomographic screening. N Engl J Med 2011; 365: 395–409.
Sverzellati N, Silva M, Calareso G, Galeone C, Marchianò A, Sestini S, et al. Low-dose computed tomography for lung cancer screening: comparison of performance between annual and biennial screen. Eur Radiol. 2016;26:3821–9.
Swensen SJ, Jett JR, Sloan JA, Midthun DE, Pairolero PC. Screening for lung cancer with low-dose spiral computed tomography. Am J Respir Crit Care Med. 2002;165(4):508–13.
Borrego D, Apostoaei AI, Thomas BA, Hoffman FO, Simon SL, Zablotska LB, et al. Organ-specific dose coefficients derived from Monte Carlo simulations for historical (1930s to 1960s) fluoroscopic and radiographic examinations of tuberculosis patients. J Radiol Prot. 2019;39(3):950–65.
Sodickson A, Baeyens PF, Andriole KP, Prevedello LM, Nawfel RD, Hanson R, et al. Recurrent CT, cumulative radiation exposure, and associated radiation-induced cancer risks from CT of adults. Radiology. 2009;251(1):175–84.
Guohua S, Huan Ma, Bin L, Pengwei R, Anren K. Diagnostic performance of DWI with multiple parameters for assessment and characterization of pulmonary lesions: a meta-analysis. AJR Am J Roentgenol. 2018;210(1):58–67.
Vefa Ç, Furkan U, Nevzat K. Diffusion-weighted MRI of pulmonary lesions: comparison of apparent diffusion coefficient and lesion-to-spinal cord signal intensity ratio in lesion characterization. J Magn Reson Imaging. 2017;45(3):845–54.
Qi W, Ying-Shi D, Zhou Jia-Xuan Yu, Yu-Dong B-Y, Qiang L, et al. Intravoxel incoherent motion diffusion-weighted MR imaging in assessing and characterizing solitary pulmonary lesions. Sci Rep. 2017;7:43257.
Yoshiharu O, Mizuho N, Hisanobu K, Shinichiro S, Maho T, Yasuko F, et al. Solitary pulmonary nodules: Comparison of dynamic first-pass contrast-enhanced perfusion area-detector CT, dynamic first-pass contrast-enhanced MR imaging, and FDG PET/CT. Radiology. 2015;274(2):563–75.
Deng Yu, Xinchun Li, Yongxia L, Changhong L, Zaiyi L. Use of diffusion-weighted magnetic resonance imaging to distinguish between lung cancer and focal inflammatory lesions: a comparison of intravoxel incoherent motion derived parameters and apparent diffusion coefficient. Acta Radiol. 2016;57(11):1310–7.
Bin Li, Qiong Li, Cong C, Guan Yu, Shiyuan L. A systematic review and meta-analysis of the accuracy of diffusion-weighted MRI in the detection of malignant pulmonary nodules and masses. Acad Radiol. 2014;21(1):21–9.
Lihua C, Jiuquan Z, Jing B, Zhang Lin Hu, Xiaofei XY, et al. Meta-analysis of diffusion-weighted MRI in the differential diagnosis of lung lesions. J Magn Reson Imaging. 2013;37(6):1351–8.
Bernardin L, Douglas NHM, Collins DJ, Giles SL, O’Flynn EAM, Orton M, et al. Diffusion-weighted magnetic resonance imaging for assessment of lung lesions: repeatability of the apparent diffusion coefficient measurement. Eur Radiol. 2014;24(2):502–11.
Jianqin J, Jianbin Y, Cui Lei Gu, Xiaowen CR, Shenchu G, et al. Lung cancer: short-term reproducibility of intravoxel incoherent motion parameters and apparent diffusion coefficient at 3T. J Magn Reson Imaging. 2018;47(4):1003–12.
Tunali I, Gillies RJ, Schabath MB. Application of Radiomics and artificial intelligence for lung cancer precision medicine. Cold Spring Harb Perspect Med. 2021;11(8):a039537.
Marentakis P, Karaiskos P, Kouloulias V, Kelekis N, Argentos S, Oikonomopoulos N, et al. Lung cancer histology classification from CT images based on radiomics and deep learning models. Med Biol Eng Comput. 2021;59(1):215–26.
Junli T, Rongfei Lv, Changyu L, Jiayang F, Daihong L, Xiaosong L, et al. Development and validation of a CT-based signature for the prediction of distant metastasis before treatment of non-small cell lung cancer. Acad Radiol. 2021;S1076–6332(20):30700–5.
Song J, Wang L, Ng NN, Zhao M, Shi J, Wu N, et al. Development and validation of a machine learning model to explore tyrosine kinase inhibitor response in patients with stage IV EGFR variant-positive non-small cell lung cancer. JAMA Netw Open. 2020;3(12):e2030442.
Alvarez-Jimenez C, Sandino AA, Prasanna P, Gupta A, Viswanath SE, Romero E. Identifying cross-scale associations between radiomic and pathomic signatures of non-small cell lung cancer subtypes: preliminary results. Cancers (Basel). 2020;12(12):3663.
Liu Y, Balagurunathan Y, Atwater T, Antic S, Li Q, Walker RC, et al. Radiological image traits predictive of cancer status in pulmonary nodules. Clin Cancer Res. 2017;23(6):1442–9.
Chen CH, Chang CK, Tu CY, Liao WC, Wu BR, Chou KT, et al. Radiomic features analysis in computed tomography images of lung nodule classification. PLoS ONE. 2018;13(2):e0192002.
Yang S, Shan F, Yan Q, Shen J, Ye P, Zhang Z, et al. A pilot study of native T1-mapping for focal pulmonary lesions in 3.0 T magnetic resonance imaging: size estimation and differential diagnosis. J Thorac Dis. 2020;12(5):2517–28.
Van Griethuysen JJ, Fedorov A, Parmar C, Hosny A, Aucoin N, Narayan V, et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res. 2017;77(21):e104–7.
Chenlu L, Changsheng Ma, Jinghao D, Qingtao Q, Yanluan G, Zhenhua Z, et al. Using CT texture analysis to differentiate between peripheral lung cancer and pulmonary inflammatory pseudotumor. BMC Med Imaging. 2020;20(1):75.
Hector S, Ferran R, Clarissa V. Enhancing SVM for survival data using local invariances and weighting. BMC Bioinform. 2020;21(1):193.
Yuze W, Qi W, Xia Xiaoying Hu, Jianfeng LY, Peng W, et al. Value of radiomics model based on multi-parametric magnetic resonance imaging in predicting epidermal growth factor receptor mutation status in patients with lung adenocarcinoma. J Thorac Dis. 2021;13(6):3497–508.
Liu J, Zeng P, Guo W, Wang C, Geng Y, Lang N, et al. Prediction of high-risk cytogenetic status in multiple myeloma based on magnetic resonance imaging: utility of radiomics and comparison of machine learning methods. J Magn Reson Imaging. 2021.
Chen H, Zhang X, Wang X, Quan X, Deng Y, Lu M, et al. MRI-based radiomics signature for pretreatment prediction of pathological response to neoadjuvant chemotherapy in osteosarcoma: a multicenter study. Eur Radiol. 2021.
Balagurunathan Y, Schabath MB, Wang H, Liu Y, Gillies RJ. Quantitative imaging features improve discrimination of malignancy in pulmonary nodules. Sci Rep. 2019;9(1):8528.
Garau N, Paganelli C, Summers P, Choi W, Alam S, Lu W, et al. External validation of radiomics-based predictive models in low-dose CT screening for early lung cancer diagnosis. Med Phys. 2020;47(9):4125–36.
Xinhui W, Qi W, Houjin C, Yanfeng Li, Xinchun Li. Classification of pulmonary lesion based on multiparametric MRI: utility of radiomics and comparison of machine learning methods. Eur Radiol. 2020;30(8):4595–605.