SpondyloMet Classifier

SpondyloMet Classifier

Ce référentiel contient le code source de l'article ci-dessous.

Le meilleur modèle est accessible sur l'application Web Shiny. La prédiction est effectuée à l'aide du modèle de forêt aléatoire final.

---

Analyse radiomique des résultats de la TEP/CT avec le fludésoxyglucose (18F) comme biomarqueur dans la différenciation de la spondylodiscite et des métastases osseuses chez les patients présentant des lésions focales dans la colonne vertébrale

Auteurs : Natasa Brisudova¹, Sona Balogova², Iveta Waczulikova¹
Correspondance : Natasa Brisudova

Affiliations : ¹Faculté de Mathématiques, Physique et Informatique, Université Charles, Bratislava
²Faculté de médecine, Université Charles, Bratislava

Introduction

L'initiation précoce d'un traitement ciblé peut prévenir d'éventuelles complications neurologiques irréversibles de la spondylodiscite (SD) et/ou des métastases vertébrales (MET). Cependant, la différenciation entre ces conditions peut être difficile, surtout aux premiers stades.

Objectif : Identifier les caractéristiques radiométriques du PET avec FDG qui permettent de distinguer le SD du MET.

Méthodes

Une analyse rétrospective a été réalisée sur 31 éléments radiométriques d'ordre 2 et supérieur chez 60 patients, avec 30 cas confirmés de SD et 30 cas de MET issus de diverses tumeurs malignes. Au total, 40 résultats SD et 40 résultats MET ont été analysés à l'aide du logiciel gratuit LIFEx, qui calcule les éléments conventionnels, texturaux et de forme des images diagnostiques.

Les caractéristiques cliniques des patients ont été comparées à l’aide du test non paramétrique de Wilcoxon Rank-Sum. La précision du diagnostic a été évaluée à l’aide de la courbe ROC. De plus, la capacité prédictive à distinguer SD et MET a été évaluée à l’aide de l’apprentissage automatique. Trois méthodes ont été testées : régression logistique multiple, forêt aléatoire et machines à vecteurs de support, avec trois méthodes de sélection de données différentes : validation croisée K-fold, Leave-One-Out Cross-Validation et Train-Test Split.

Résultats

Parmi les 31 éléments radiométriques, 24 étaient statistiquement significatifs (p < 0,05) pour distinguer SD du MET. Parmi ceux-ci, 9 éléments avaient une ASC > 80 % pour la précision du diagnostic. Les valeurs les plus élevées ont été obtenues par les paramètres suivants :

• GLZLM_ZP (seuil = 0,38, AUC = 83,25 %)
• NGLDM_Contrast (seuil = 0,17, AUC = 84,7 %)
• GLRLM_GLNU (seuil = 46,1, AUC = 88,8 %)

En apprentissage automatique, la méthode Random Forest avec sélection de données Train-Test Split s'est avérée la plus efficace, atteignant un seuil de 0,28 et une AUC de 98,61 %.

Conclusions

Les résultats confirment que l’analyse radiomique et l’apprentissage automatique sont des approches prometteuses pour distinguer SD et MET en TEP/CT avec FDG. Une validation plus approfondie de ces méthodes est étayée par les résultats.