SpondyloMet Classifier

SpondyloMet Classifier

Этот репозиторий содержит исходный код статьи ниже.

Доступ к лучшей модели можно получить в веб-приложении Shiny. Прогноз делается с использованием окончательной модели случайного леса.

---

Радиомиктический анализ результатов ПЭТ/КТ с флудезоксиглюкозой (18F) как биомаркером в дифференциации спондилодисцита и костных метастазов у ​​пациентов с очаговыми поражениями позвоночника

Авторы: Натаса Брисудова¹, Сона Балогова², Ивета Вачуликова¹
Для переписки: Натаса Брисудова

Аффилиация: ¹Факультет математики, физики и информатики Карлова университета, Братислава
²Медицинский факультет Карлова университета, Братислава

Введение

Раннее начало таргетного лечения может предотвратить возможные необратимые неврологические осложнения спондилодисцита (СД) и/или метастазов в позвоночник (МЕТ). Однако дифференциация этих состояний может быть сложной задачей, особенно на ранних стадиях.

Цель: Определить радиометрические характеристики ПЭТ с ФДГ, которые помогут отличить СД от МЕТ.

Методы

Проведен ретроспективный анализ 31 радиометрического элемента второго и высшего порядка у 60 пациентов, из них 30 подтвержденных случаев СД и 30 случаев МЕТ при различных злокачественных новообразованиях. Всего было проанализировано 40 результатов SD и 40 результатов MET с использованием бесплатного программного обеспечения LIFEx, которое рассчитывает условные, текстурные и форменные элементы диагностических изображений.

Клинические характеристики пациентов сравнивали с использованием непараметрического критерия суммы рангов Уилкоксона. Точность диагностики оценивали с помощью ROC-кривой. Кроме того, с помощью машинного обучения оценивалась прогностическая способность различать SD и MET. Были протестированы три метода: множественная логистическая регрессия, случайный лес и машины опорных векторов с тремя различными методами отбора данных: K-кратная перекрестная проверка, перекрестная проверка с исключением одного и разделение поездного теста.

Результаты

Среди 31 радиометрического элемента 24 были статистически значимыми (p < 0,05) для отличия СД от МЕТ. Из них 9 элементов имели AUC > 80% для диагностической точности. Наибольшие значения были достигнуты по следующим параметрам:

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

В машинном обучении метод случайного леса с выбором данных Train-Test Split оказался наиболее эффективным, достигнув порогового значения 0,28 и AUC 98,61%.

Выводы

Результаты подтверждают, что радиомный анализ и машинное обучение являются многообещающими подходами для различения СД и МЕТ при ПЭТ/КТ с ФДГ. Дальнейшая проверка этих методов подтверждается полученными результатами.