SpondyloMet Classifier

SpondyloMet Classifier

Repositori ini berisi kode sumber untuk artikel di bawah ini.

Model terbaik dapat diakses di aplikasi web Shiny. Prediksi dibuat menggunakan model hutan acak final.

---

Analisis Radiomik Temuan PET/CT dengan Fludeoxyglucose (18F) sebagai Biomarker dalam Diferensiasi Spondylodiscitis dan Metastasis Tulang pada Pasien dengan Lesi Fokal di Tulang Belakang

Penulis: Natasa Brisudova¹, Sona Balogova², Iveta Waczulikova¹
Korespondensi: Natasa Brisudova

Afiliasi: ¹Fakultas Matematika, Fisika dan Informatika, Universitas Charles, Bratislava
²Fakultas Kedokteran, Universitas Charles, Bratislava

Perkenalan

Inisiasi pengobatan yang ditargetkan secara dini dapat mencegah kemungkinan komplikasi neurologis spondylodiscitis (SD) dan/atau metastasis tulang belakang (MET) yang tidak dapat diubah. Namun, membedakan antara kondisi-kondisi ini dapat menjadi suatu tantangan, terutama pada tahap awal.

Tujuan: Untuk mengidentifikasi karakteristik radiometrik PET dengan FDG yang membantu membedakan SD dan MET.

Metode

Analisis retrospektif dilakukan pada 31 elemen radiometrik tingkat kedua dan lebih tinggi pada 60 pasien, dengan 30 kasus SD yang dikonfirmasi dan 30 kasus MET dari berbagai keganasan. Sebanyak 40 temuan SD dan 40 temuan MET dianalisis menggunakan freeware LIFEx, yang menghitung elemen konvensional, tekstur, dan bentuk gambar diagnostik.

Karakteristik klinis pasien dibandingkan dengan menggunakan uji Wilcoxon rank-sum non-parametrik. Akurasi diagnostik dinilai menggunakan kurva ROC. Selain itu, kemampuan prediktif untuk membedakan SD dan MET dievaluasi menggunakan pembelajaran mesin. Tiga metode diuji: regresi logistik berganda, hutan acak, dan mesin vektor pendukung, dengan tiga metode pemilihan data berbeda: validasi silang K-fold, Validasi Silang Leave-One-Out, dan Train-Test Split.

Hasil

Di antara 31 elemen radiometrik, 24 signifikan secara statistik (p <0,05) dalam membedakan SD dari MET. Dari jumlah tersebut, 9 elemen memiliki AUC > 80% untuk akurasi diagnostik. Nilai tertinggi dicapai oleh parameter berikut:

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

Dalam pembelajaran mesin, metode Random Forest dengan pemilihan data Train-Test Split adalah yang paling efektif, mencapai cut-off sebesar 0,28 dan AUC sebesar 98,61%.

Kesimpulan

Hasilnya mengkonfirmasi bahwa analisis radiomik dan pembelajaran mesin merupakan pendekatan yang menjanjikan untuk membedakan antara SD dan MET pada PET/CT dengan FDG. Validasi lebih lanjut terhadap metode ini didukung oleh temuan.