SpondyloMet Classifier

SpondyloMet Classifier

이 저장소에는 아래 기사의 소스 코드가 포함되어 있습니다.

최고의 모델은 Shiny 웹 앱에서 액세스할 수 있습니다. 예측은 최종 Random Forest 모델을 사용하여 이루어집니다.

---

척추에 국소 병변이 있는 환자의 척추추간판염 및 뼈 전이 감별에 있어 바이오마커로서 Fludeoxyglucose(18F)를 사용한 PET/CT 소견의 방사성학 분석

저자: Natasa Brisudova1, Sona Balogova², Iveta Waczulikova1
대응: 나타사 브리수도바(Natasa Brisudova)

소속: ¹브라티슬라바 찰스 대학교 수학, 물리 및 정보학 학부
²브라티슬라바 찰스대학교 의과대학

소개

표적 치료를 조기에 시작하면 척추추간판염(SD) 및/또는 척추 전이(MET)의 비가역적인 신경학적 합병증을 예방할 수 있습니다. 그러나 이러한 조건을 구별하는 것은 특히 초기 단계에서 어려울 수 있습니다.

목표: SD와 MET를 구별하는 데 도움이 되는 FDG를 사용하여 PET의 방사성 특성을 식별합니다.

행동 양식

60명의 환자에서 31개의 2차 및 고차 방사성 요소에 대해 후향적 분석이 수행되었으며, 이 중 30명은 SD로 확인되었고 30명은 다양한 악성 종양으로 인해 MET로 확인되었습니다. 진단 영상의 기존 요소, 질감 요소, 형상 요소를 계산하는 LIFEx 프리웨어를 사용하여 총 40개의 SD 소견과 40개의 MET 소견을 분석했습니다.

비모수 Wilcoxon 순위합 검정을 이용하여 환자의 임상적 특성을 비교하였다. 진단 정확도는 ROC 곡선을 사용하여 평가되었습니다. 또한 기계 학습을 사용하여 SD와 MET를 구별하는 예측 능력을 평가했습니다. K-겹 교차 검증, Leave-One-Out 교차 검증 및 훈련-테스트 분할의 세 가지 데이터 선택 방법을 사용하여 다중 로지스틱 회귀, 랜덤 포레스트 및 지원 벡터 머신의 세 가지 방법이 테스트되었습니다.

결과

31개의 방사성 요소 중 24개는 SD와 MET를 구별하는 데 통계적으로 유의미했습니다(p < 0.05). 이 중 9개 요소의 진단 정확도가 AUC > 80%였습니다. 가장 높은 값은 다음 매개변수에 의해 달성되었습니다.

• GLZLM_ZP (컷오프 = 0.38, AUC = 83.25%)
• NGLDM_Contrast (컷오프 = 0.17, AUC = 84.7%)
• GLRLM_GLNU (컷오프 = 46.1, AUC = 88.8%)

기계 학습에서는 Train-Test Split 데이터 선택을 사용하는 Random Forest 방법이 가장 효과적이었으며 컷오프는 0.28, AUC는 98.61%를 달성했습니다.

결론

결과는 방사성 분석과 기계 학습이 FDG를 사용하는 PET/CT에서 SD와 MET를 구별하기 위한 유망한 접근 방식임을 확인합니다. 이러한 방법에 대한 추가 검증은 연구 결과에 의해 뒷받침됩니다.