Akciğerin skuamöz hücreli karsinomu ve adenokarsinomunun ayırıcı tanısında BT radıomıcs'in etkinliği

Abstract

Giriş ve Amaç: Toraks BT görüntülerinden elde edilen radiomic veriler, makine öğrenmesi yöntemleri aracılığıyla akciğer kanserinin histopatolojik sınıflamasını bütüncül ve invaziv olmayan bir şekilde değerlendirebilir. Çalışmamızın amacı da akciğer kanserinin en sık görülen iki alt tipi olan adenokarsinom ve skuamöz hücreli karsinom ayrımında daha başarılı olan radiomic verilerin tespiti ve bu ayrım yapılır iken filtre kullanımı, farklı özellik azaltma ve makine öğrenmesi yöntemlerinin kombinasyonu ile oluşan modeller ile validasyon yönteminin etkinliklerinin kıyaslanmasıdır. Gereç ve Yöntem: Çalışmamızda; akciğer kanseri ile takip edilen ve Çanakkale Onsekiz Mart Üniversitesi Tıp Fakültesi Hastanesinde Ocak 2016 - Mart 2023 tarihleri arasında tedavi öncesi kontrastsız toraks BT görüntüleri hastanemiz PACS arşivinde mevcut olan hastalar restrospektif olarak incelendi. Akciğer kanseri kesin alt tiplemesi yapılmış ve adenokanser ya da skuamöz hücreli kanser tanısı almış olup toraks BT görüntüleri yarı otomatik segmentasyona elverişli olan 103 olgu tespit edildi. Bu görüntüler DICOM formatıyla ücretsiz 3D Slicer 5.2.1 programına, hastaların kimlik bilgileri ile klinikleri sansürlenerek yüklendi. Ön işleme sürecinden geçirilen görüntüler ayrı ayrı filtresiz ve filtreli olarak yarı otomatik yöntemle segmente edildi. Segmente edilen görüntülerden 3D Slicer programının Radiomics eklentisi ile 107 adet radiomic veri elde edildi. Daha sonra bu verilere Python 3.9.13 versiyonu ile çeşitli özellike azaltma ve makine öğrenme metodlarından oluşturulan modeller uygulanarak adenokarsinom ve skuamöz hücreli karsinomu ayırt etmedeki etkinlikleri kıyaslandı. Bulgular: Çalışmaya 47-83 yaş aralığında 89'u (%86,4) erkek, 14'ü (13,6) kadın ve yaş ortalaması 66,7 olan toplam 103 hasta dahil edildi ve her hasta başına bir lezyon değerlendirmeye alındı. Bu lezyonların 58 tanesi (%56,3) adenokarsinom iken 45 tanesi (%43,7) skuamöz hücreli karsinomdu ve adenokarsinom tanılı hastaların 47'si erkek 11'i kadın iken skuamöz hücreli karsinom tanılı hastaların 42'si erkek 3'ü kadındı. Skuamöz hücreli karsinom ve adenokarsinom ayrımında, filtresiz ve anizotropik difüzyon filtresi ile elde edilen Radiomics verileri kıyaslandı. En iyi performans, filtresiz görüntülerden elde edilen 4 radiomic özelliğin (Flatness, Maximum 3D Diameter, Large Dependence High Gray Level Emphasis, Large Area High Gray Level Emphasis) kullanıldığı, SFS özellik seçimi ve Naive Bayes makine öğrenme algoritması ile oluşturulan modelden elde edilmiş olup AUC değeri 0,71'dir. Bu karşın filtreli görüntülerden elde edilen veriler ile en iyi sonuç XGB özellik azaltma yöntemi sonrası uygulanan MLPC algoritmasından elde edilmiş olup bu modelin AUC değerleri 0,59 ile filtresiz verilere göre daha düşük seviyede kaldı. Sonuç: Akciğer kanseri histopatolojik alt tiplerinin tahmininde non invaziv ve bütüncül değerlendirme imkanı sunan ve toraks BT görüntülerinden elde edilebilen radiomic veriler daha çok çalışma ile desteklenerek standardize edilir ise rutin klinik uygulamalarda kullanılabilir. Bizim çalışmamızda ise adenokarsinom ve skuamöz hücreli karsinomu ayırt etmede en başarılı yöntem 0,71 AUC değeri ile filtresiz görüntülere uygulanan SFS-Naive Bayes modeli oldu.

Introduction and Purpose: Radiomic data obtained from thorax CT images can evaluate the histopathological classification of lung cancer in a holistic and non-invasive manner through machine learning methods. The aim of our study is to identify radiomic data that are more successful in distinguishing adenocarcinoma and squamous cell carcinoma, the two most common subtypes of lung cancer, and to compare the effectiveness of the validation method with the models formed by the combination of filter use, different feature reduction and machine learning methods while making this distinction. Materials and Methods: In our study; Patients who were followed up with lung cancer and whose pre-treatment non-contrast thorax CT images were available in the PACS archive of our hospital at Çanakkale Onsekiz Mart University Faculty of Medicine Hospital between January 2016 and March 2023 were retrospectively examined. 103 cases whose lung cancer was definitively subtypes and diagnosed with adenocarcinoma or squamous cell cancer and whose thorax CT images were suitable for semi-automatic segmentation were identified. These images were uploaded to the free 3D Slicer 5.2.1 program in DICOM format, with the patient's identity information and clinics censored. Images that went through the pre-processing process were segmented separately, unfiltered and filtered, using a semi-automatic method. 107 radiomic data were obtained from the segmented images with the Radiomics plug-in of the 3D Slicer program. Then, models created from various feature reduction and machine learning methods were applied to these data with Python 3.9.13 version and their effectiveness in distinguishing adenocarcinoma and squamous cell carcinoma was compared. Results: A total of 103 patients, 89 (86.4%) men and 14 (13.6) women, aged between 47-83 years, with an average age of 66.7, were included in the study, and one lesion per patient was evaluated. While 58 of these lesions (56.3%) were adenocarcinoma, 45 of them (43.7%) were squamous cell carcinoma. While 47 of the patients diagnosed with adenocarcinoma were male and 11 were female, 42 of the patients diagnosed with squamous cell carcinoma were male and 3 were female. Radiomics data obtained without filter and with anisotropic diffusion filter were compared in distinguishing squamous cell carcinoma and adenocarcinoma. The best performance was obtained from the model created with SFS feature selection and Naive Bayes machine learning algorithm, using 4 radiomic features (Flatness, Maximum 3D Diameter, Large Dependence High Gray Level Emphasis, Large Area High Gray Level Emphasis) obtained from unfiltered images, and AUC Its value is 0.71. On the other hand, the best result with the data obtained from filtered images was obtained from the MLPC algorithm applied after the XGB feature reduction method, and the AUC values ​​of this model were lower than the unfiltered data with 0.59. Conclusion: Radiomic data, which provides non-invasive and holistic evaluation in the prediction of lung cancer histopathological subtypes and can be obtained from thorax CT images, can be used in routine clinical practices if supported by more studies and standardized. In our study, the most successful method in distinguishing adenocarcinoma and squamous cell carcinoma was the SFS-Naive Bayes model applied to unfiltered images with an AUC value of 0.71.