SpondyloMet Classifier

SpondyloMet Classifier

Este repositório contém o código fonte do artigo abaixo.

O melhor modelo pode ser acessado no aplicativo web Shiny. A previsão é feita usando o modelo final de floresta aleatória.

---

Análise radiômica de achados de PET/CT com fludeoxiglicose (18F) como biomarcador na diferenciação de espondilodiscite e metástase óssea em pacientes com lesões focais na coluna vertebral

Autores: Natasa Brisudova¹, Sona Balogova², Iveta Waczulikova¹
Correspondência: Natasa Brisudova

Afiliações: ¹Faculdade de Matemática, Física e Informática, Universidade Charles, Bratislava
²Faculdade de Medicina, Universidade Charles, Bratislava

Introdução

O início precoce do tratamento direcionado pode prevenir possíveis complicações neurológicas irreversíveis da espondilodiscite (DS) e/ou metástases espinhais (MET). No entanto, a diferenciação entre estas condições pode ser um desafio, especialmente nas fases iniciais.

Objetivo: Identificar as características radiométricas do PET com FDG que ajudam a distinguir SD de MET.

Métodos

Uma análise retrospectiva foi realizada em 31 elementos radiométricos de segunda e superior ordem em 60 pacientes, com 30 casos confirmados de MS e 30 casos de MET de diversas malignidades. Um total de 40 achados de SD e 40 achados de MET foram analisados ​​usando o freeware LIFEx, que calcula elementos convencionais, texturais e de forma de imagens diagnósticas.

As características clínicas dos pacientes foram comparadas por meio do teste não paramétrico de soma de postos de Wilcoxon. A acurácia diagnóstica foi avaliada pela curva ROC. Além disso, a capacidade preditiva de distinguir SD e MET foi avaliada por meio de aprendizado de máquina. Foram testados três métodos: regressão logística múltipla, floresta aleatória e máquinas de vetores de suporte, com três métodos diferentes de seleção de dados: validação cruzada K-fold, validação cruzada Leave-One-Out e Train-Test Split.

Resultados

Entre os 31 elementos radiométricos, 24 foram estatisticamente significativos (p < 0,05) para distinguir DS de MET. Destes, 9 elementos apresentaram AUC> 80% para acurácia diagnóstica. Os maiores valores foram alcançados pelos seguintes parâmetros:

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

No aprendizado de máquina, o método Random Forest com seleção de dados Train-Test Split foi o mais eficaz, atingindo um ponto de corte de 0,28 e uma AUC de 98,61%.

Conclusões

Os resultados confirmam que a análise radiômica e o aprendizado de máquina são abordagens promissoras para distinguir entre SD e MET em PET/CT com FDG. A validação adicional desses métodos é apoiada pelos resultados.