Meme kanserinde F-18 FDG pet

Abstract

Amaç: Bu çalışmadaki amacımız meme kanseri hastalarının Flor-18 Florodeoksiglukoz (F-18 FDG) Pozitron Emisyon Tomografi/ Bilgisayarlı Tomografi (PET/BT) görüntülerinden çıkarılacak olan radyomik özelliklerinin meme kanserinin moleküler subtiplerini belirlemede kullanılan ER, PR, Ki-67 ve HER-2 gibi moleküler belirteçleri öngörmedeki yerini incelemektir. Metod: Histopatolojik olarak meme kanseri tanısı alan ve ER, PR, Ki-67, HER-2 gibi moleküler belirteçleri çalışılmış olan, görüntüleme öncesi lokal/sistemik tedavi almamış, eksizyonel biyopsi yapılmamış 162 hastanın F-18 FDG PET/BT görüntülerinden LIFEx programı ile radyomik verileri elde edilmiştir. Her bir moleküler belirtecin radyomik veriler ile ilişkisinin incelenmesinde Phyton programı ile makine öğrenmesi modelleri çalışılmıştır. Veriler %20 test, %80 eğitim verisi olarak bölünmüştür. Ayrıca radyomik verileri arasından SFS yöntemi ile en anlamlı özellikler seçilmiş ve bu özelliklere ölçeklendirme işlemi yapılmıştır. Daha sonra Random Forest, Support Vector Machine, XGBoost, Logistic Regression, Naive Bayes olmak üzere 5 farklı makine öğrenmesi modeli kurulmuş ve bu modellerin model performans metrikleri incelenmiştir. Accuracy ve diğer performans metrikleri beraber değerlendirilerek performansı en yüksek modelin confusion matrix tablosu çıkartılmış, modelin sensitivite ve spesifite değerleri hesaplanmıştır. Ayrıca her modelin ROC eğrisi çizilmiş ve AUC değerleri hesaplanmıştır. Bulgular: HER-2 moleküler belirtecini öngörmede radyomik verileri ile kurulan modelin accuracy değeri 0,82, AUC 0,76, sensitivite %62,5, spesifite %90,0 bulunmuştur. Literatürde sınırlı sayıda yapılmış çalışmaların çoğundan daha yüksek sonuçlar elde edilmiştir. ER öngörmede kurulan modelin accuracy değeri 0,91, AUC 0,59, sensitivite %96,6, spesifite %33,3 bulunmuştur. ER negatif hasta sayısının az olmasından dolayı değerlerin gerçeği yansıtmayabileceği düşünülmüştür. PR öngörmede kurulan modelin accuracy değeri 0,69, AUC 0,55, sensitivite %81,8, spesifite %40,0 bulunmuş olup radyomik verileri ile arasında anlamlı bir ilişki saptanmamıştır. Ki-67 öngörmede kurulan modelin accuracy değeri 0,60, AUC 0,60, sensitivite %68,4, spesifite %55,2 bulunmuş olup radyomik verileri ile arasında anlamlı bir ilişki saptanmamıştır. Sonuç: HER-2 ekspresyonunun öngörülmesinde PET radyomikleri ile oluşturulan modelin geçerli bir performans gösterdiği bulunmuştur. Özellikle HER-2 ekspresyonu negatifliğinin PET radyomik özelliklerinden saptanmasında başarılı bir sonuç elde edilmiştir. ER, PR, Ki-67 moleküler özelliklerinin öngörülmesinde ise PET radyomik verileri ile anlamlı bir ilişki saptanmamıştır. Geçerliliği kanıtlanmış ve klinikte referans olarak kullanılabilecek verilerin elde edilebilmesi için daha geniş hasta grupları ile çok merkezli dış validasyon yapılabilecek ve standardize edilmiş yöntemlerle çalışılacak ileri çalışmalara ihtiyaç olduğu anlaşılmaktadır.

Objective: Our aim in this study is to assess the role of radiomics features that will be extracted from F-18 Fluorodeoxyglucose (FDG) Positron Emission Tomography (PET) / Computed Tomography (CT) images of breast cancer patients in predicting the molecular markers such as ER, PR, Ki-67 and HER-2, which are used to determine the molecular subtypes of breast cancer. Methods: Radiomics data has been obtained via LIFEx software from F-18 FDG PET/CT images of 162 patients who were diagnosed with breast cancer histopathologically and whose molecular markers such as ER, PR, Ki-67, and HER-2 were studied, did not receive local/systemic treatment before imaging, and did not undergo excisional biopsy. In order to examine the relationship of each molecular marker with radiomics data, machine learning models were studied with the Phyton software. The data is divided into 20% test and 80% training subset. Further, the most relevant features were selected among the radiomic data using the SFS method and then scaling was performed on these features. Afterwards, 5 different machine learning models including Random Forest, XGBoost, Support Vector Machine, Logistic Regression and Naive Bayes, were established and the model performance metrics of these models were examined. Accuracy and other performance metrics were evaluated together and then the confusion matrix table of the model with the highest performance was prepared, also the sensitivity and specificity values of the model were calculated. In addition, the ROC curve of each model was drawn and the AUC values were calculated. Results: In prediction of HER-2 molecular marker, the accuracy of the model established with radiomics data was found to be 0,82, AUC 0,76, sensitivity 62,5%, and specificity 90,0%. Higher results were obtained than most of the limited number of studies in the literature. The accuracy of the model established for ER prediction was 0,91, AUC 0,59, sensitivity 96,6%, and specificity 33,3%. Due to the small number of ER negative patients, it was thought that the values may not reflect the reality. Accuracy value of the model established in PR prediction was 0,69, AUC 0,55, sensitivity 81,8%, specificity 40,0%, and no significant correlation was found between radiomics data. The accuracy value of the model established for Ki-67 prediction was 0,60, AUC 0,60, sensitivity 68,4% and specificity 55,2%, and no significant correlation was found between radiomics data. Conclusion: The model established with PET radiomics was found to perform acceptable in predicting HER-2 expression. In particular, a successful result was obtained in detecting the negativity of HER-2 expression from PET radiomics features. No significant correlation was found with PET radiomics in the prediction of ER, PR, Ki-67 molecular markers. In order to obtain data that has proven validity and can be used as clinical reference, it is understood that there is a need for further studies with larger patient groups, multicentered, externally validated and used standardized methods.