SpondyloMet Classifier

SpondyloMet Classifier

该存储库包含下面文章的源代码。

最佳模型可以在 Shiny 网络应用程序中访问。使用最终的随机森林模型进行预测。

---

以氟脱氧葡萄糖 (18F) 作为生物标志物鉴别脊柱局灶性病变患者椎间盘炎和骨转移的 PET/CT 结果的放射组学分析

作者：娜塔莎·布里苏多娃（Natasa Brisudova）、索娜·巴洛戈娃（Sona Balogova）、伊维塔·瓦祖利科娃（Iveta Waczulikova）
通讯员：娜塔莎·布里苏多娃

隶属关系： 1 布拉迪斯拉发查尔斯大学数学、物理和信息学院
²布拉迪斯拉发查尔斯大学医学院

介绍

早期开始针对性治疗可以预防脊椎椎间盘炎（SD）和/或脊柱转移瘤（MET）可能出现的不可逆神经系统并发症。然而，区分这些情况可能具有挑战性，尤其是在早期阶段。

目的：识别 PET 与 FDG 的辐射特征，有助于区分 SD 和 MET。

方法

对60例患者的31个二级及更高阶放射元素进行回顾性分析，其中确诊为各种恶性肿瘤的SD病例30例，MET病例30例。使用 LIFEx 免费软件分析了总共 40 个 SD 结果和 40 个 MET 结果，该软件计算诊断图像的常规、纹理和形状元素。

使用非参数 Wilcoxon 秩和检验比较患者的临床特征。使用 ROC 曲线评估诊断准确性。此外，还使用机器学习评估了区分 SD 和 MET 的预测能力。测试了三种方法：多重逻辑回归、随机森林和支持向量机，以及三种不同的数据选择方法：K 折交叉验证、留一交叉验证和训练测试分割。

结果

在 31 个辐射元素中，24 个元素在区分 SD 和 MET 方面具有统计显着性 (p < 0.05)。其中，9 种元素的诊断准确性 AUC > 80%。最高值是通过以下参数实现的：

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

在机器学习中，采用训练-测试分割数据选择的随机森林方法是最有效的，达到了 0.28 的截止值和 98.61% 的 AUC。

结论

结果证实，放射组学分析和机器学习是在 FDG PET/CT 中区分 SD 和 MET 的有前途的方法。研究结果支持了这些方法的进一步验证。