SpondyloMet Classifier

SpondyloMet Classifier

該存儲庫包含下面文章的源代碼。

最佳模型可以在 Shiny 網路應用程式中存取。使用最終的隨機森林模型進行預測。

---

以氟脫氧葡萄糖 (18F) 作為生物標記鑑別脊椎局部病變患者椎間盤炎和骨轉移的 PET/CT 結果的放射組學分析

作者：娜塔莎·布里蘇多娃（Natasa Brisudova）、索娜·巴洛戈娃（Sona Balogova）、伊維塔·瓦祖利科娃（Iveta Waczulikova）
通訊員：娜塔莎·布里蘇多娃

隸屬： 1 布拉迪斯拉發查爾斯大學數學、物理與資訊學院
²布拉迪斯拉發查爾斯大學醫學院

介紹

早期開始針對性治療可以預防脊椎椎間盤炎（SD）和/或脊椎轉移瘤（MET）可能出現的不可逆神經系統併發症。然而，區分這些情況可能具有挑戰性，尤其是在早期階段。

目的：辨識 PET 與 FDG 的輻射特徵，有助於區分 SD 和 MET。

方法

對60例患者的31個二級及更高階放射性元素進行回顧性分析，其中確診的SD病例30例，MET病例30例，均來自各種惡性腫瘤。使用 LIFEx 免費軟體分析了總共 40 個 SD 結果和 40 個 MET 結果，該軟體計算診斷影像的常規、紋理和形狀元素。

使用非參數 Wilcoxon 秩和檢定比較患者的臨床特徵。使用 ROC 曲線評估診斷準確性。此外，還使用機器學習評估了區分 SD 和 MET 的預測能力。測試了三種方法：多重邏輯迴歸、隨機森林和支援向量機，以及三種不同的資料選擇方法：K 折交叉驗證、留一交叉驗證和訓練測試分割。

結果

在 31 個放射測量元素中，24 個在區分 SD 和 MET 方面具有統計顯著性 (p < 0.05)。其中，9 種元素的診斷準確性 AUC > 80%。最高值是透過以下參數實現的：

• 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%）

在機器學習中，採用訓練-測試分割資料選擇的隨機森林方法是最有效的，達到了 0.28 的截止值和 98.61% 的 AUC。

結論

結果證實，放射組學分析和機器學習是在 FDG PET/CT 中區分 SD 和 MET 的有前途的方法。研究結果支持了這些方法的進一步驗證。