Entwicklung der MRT

Wissenschaftliche Berichte Band 13, Artikelnummer: 1590 (2023) Diesen Artikel zitieren

495 Zugriffe

1 Altmetrisch

Details zu den Metriken

Eine unvoreingenommene und genaue Diagnose gutartiger und bösartiger Endometriumläsionen ist für den Gynäkologen von entscheidender Bedeutung, da jede Art möglicherweise eine andere Behandlung erfordert. Radiomics ist eine quantitative Methode, die eine umfassende Informationsgewinnung und Quantifizierung der Heterogenität in Bildern ermöglichen und so Ärzten bei der richtigen Läsionsdiagnose helfen könnte. Das Ziel dieser Studie ist die Entwicklung eines geeigneten Vorhersagemodells für die Klassifizierung gutartiger und bösartiger Endometriumläsionen und die Bewertung der möglichen klinischen Anwendbarkeit des Modells. Abschließend wurden 139 Patientinnen mit pathologisch bestätigten Endometriumläsionen von Januar 2018 bis Juli 2020 in zwei unabhängigen Zentren (Zentrum A und B) analysiert. Zentrum A wurde für den Trainingssatz verwendet, während Zentrum B für den Testsatz verwendet wurde. Die Läsionen wurden von zwei Radiologen manuell auf der größten Schicht basierend auf dem Läsionsbereich gezeichnet. Nach der Merkmalsextraktion und Merkmalsauswahl wurden die möglichen Zusammenhänge zwischen Radiomics-Merkmalen und klinischen Parametern durch uni- und multivariable logistische Regression bewertet. Die ROC-Kurve (Receiver Operator Characteristic) und die DeLong-Validierung wurden verwendet, um die mögliche Vorhersageleistung der Modelle zu bewerten. Die Entscheidungskurvenanalyse (DCA) wurde verwendet, um den Nettonutzen des Radiomics-Nomogramms zu bewerten. Aus den 15 ausgewählten Merkmalen wurde ein Radiomics-Vorhersagemodell erstellt, das sich auf der Grundlage der Fläche unter der ROC-Kurve (AUC) sowohl für die Trainings- als auch für die Testkohorte als relativ hoch diskriminierend erwies (AUC = 0,90 bzw. 0,85). . Das Radiomics-Nomogramm zeigte auch eine gute Diskriminierungsleistung sowohl für die Trainings- als auch für die Testkohorte (AUC = 0,91 bzw. 0,86), und der DeLong-Test zeigt, dass die AUCs zwischen klinischen Parametern und dem Nomogramm signifikant unterschiedlich waren. Das Ergebnis der DCA zeigte den klinischen Nutzen dieser neuartigen Nomogrammmethode. Das auf der Grundlage von MRT-Radiomics und klinischen Parametern erstellte Vorhersagemodell zeigte eine hohe diagnostische Effizienz und deutete damit auf seinen potenziellen klinischen Nutzen für die präzise Identifizierung und Vorhersage von Endometriumläsionen hin.

Endometriumläsionen sind häufig auftretende Erkrankungen des weiblichen Fortpflanzungssystems, die zu Unfruchtbarkeit oder abnormalen Uterusblutungen führen können1,2. Als Folge der alternden Bevölkerung und der zunehmenden Fettleibigkeitsrate3 steigt die Inzidenz von Endometriumkarzinomen (EC) rapide an und es ist zu einem der am häufigsten diagnostizierten gynäkologischen Malignome in der entwickelten Welt geworden4. Aufgrund des enormen Vorteils einer deutlich höheren Auflösung könnte die Magnetresonanztomographie (MRT) die Endometriumzustände klar darstellen und die Grundlage für die Bildgebungsoption für neu diagnostizierte EC-Patienten bilden5. Allerdings könnte eine genaue und objektive Beurteilung von Anomalien im Zusammenhang mit dem Endometrium Radiologen und Gynäkologen vor eine Reihe von Herausforderungen stellen. Einerseits ist das normale Endometrium ein dynamisches Gewebe, das vor allem durch das Alter, den Menopausenstatus, den Menstruationszyklus und die Hormontherapie beeinflusst werden kann6. Darüber hinaus wurde festgestellt, dass überlappende Bildmerkmale und klinische Merkmale gutartiger und bösartiger Läsionen möglicherweise gleichzeitig erkannt werden1,7. Die unterschiedlichen Größen der Endometriumläsionen stellen eine erhebliche Herausforderung für eine genaue Diagnose dar; Das Vorhandensein großer Läsionen kann zu einem abnormalen Erscheinungsbild des Endometriums führen und den genauen Ursprung der Histologie verfälschen, während kleine Läsionen, die sich häufig mit dem normalen Gewebe überlappen, oft ignoriert werden8. Transvaginaler Ultraschall und Hysteroskopie haben sich ebenfalls als hilfreich für die Diagnose von Endometriumläsionen erwiesen, aber beide hängen von der Erfahrung der beteiligten Chirurgen ab8,9, was zu einer relativ hohen Subjektivität und Variabilität führt. Daher ist eine genaue und präzise Unterscheidung zwischen gutartigen und bösartigen Endometriumläsionen für eine effiziente Behandlung wichtig.

Radiomics, eine sich schnell entwickelnde Wissenschaft, die die digitalen Bilder effektiv in verwertbare hochdimensionale Daten umwandeln und so biomedizinische Informationen klar wiedergeben kann, die sowohl pathophysiologischen Zuständen als auch der Tumorheterogenität zugrunde liegen10,11. Es wird häufig zur Überwachung des Fortschreitens verschiedener Krankheiten eingesetzt, da es den Mangel an Bildinterpretation durch die visuelle Wahrnehmung des Menschen überwinden und dadurch zu objektiveren und genaueren Informationen führen kann10. Unsere Gruppe hat zuvor CT-basierte Radiomics verwendet, um einen automatisierten Diagnoseansatz zur Erkennung bösartiger Ovarialneoplasmen zu entwickeln, und dabei zufriedenstellende Ergebnisse erzielt12. Es gibt mehrere Berichte, die sich auf die genaue Bewertung der präoperativen Beurteilung von EC13,14,15 konzentrieren. Allerdings ist auch eine zuverlässige primäre Differenzialdiagnose von Endometriumläsionen dringend erforderlich, um den Gynäkologen bei der Auswahl einer geeigneten Behandlung zu unterstützen. In dieser Studie stellten wir die Hypothese auf, dass bildgebende Biomarker möglicherweise nicht-invasiv entwickelt werden könnten, um die Unterscheidung zwischen gutartigen und bösartigen Erkrankungen auf der Grundlage von MRT-basierten Radiomics-Daten zu erleichtern, die aus den primären Endometriumläsionen extrahiert wurden.

Diese retrospektive Studie wurde von zwei unabhängigen Zentren gemeinsam durchgeführt (Zentrum A und B). Von Januar 2018 bis Juli 2020 wurden 164 Patienten mit histologisch diagnostizierten Endometriumläsionen und präoperativem MRT unabhängig voneinander in den Zentren A und B gesammelt. Diese Endometriumläsionen umfassten gutartige und bösartige Endometriumerkrankungen, einschließlich EC, Endometriumhyperplasie, submuköse Myome, Endometriumpolypen und Endometritis. Die verwendeten Einschlusskriterien waren wie folgt: (1) weibliche Patienten mit histopathologisch bestätigten Endometriumläsionen, (2) Patienten ohne frühere oder aktuelle Vorgeschichte von Malignomen außer Endometriumtumoren, (3) keine präoperative systemische Therapie, (4) MRT innerhalb von 30 Tagen durchgeführt vor der gynäkologischen Operation. Folgende Ausschlusskriterien wurden verwendet: (1) minderwertige Bildgebungsaufzeichnungen (n = 3), (2) ohne chirurgische Informationen (n = 12), (3) präoperative systemische Therapie (n = 3), (4) andere bösartige Erkrankungen als EC (n = 2), (5) begleitet von deutlichen gutartigen und bösartigen Läsionen des Endometriums (n = 5). Schließlich wurden insgesamt 139 Patientinnen in diese Studie aufgenommen, darunter 98 Patientinnen (mit 46 bzw. 52 Patientinnen mit gutartigen bzw. bösartigen Endometriumläsionen), die in Zentrum A behandelt wurden, der Trainingskohorte zugeordnet wurden, während die 41 Patientinnen (mit 19 bzw. 22) in die Trainingskohorte eingeteilt wurden Patienten, die einer gutartigen bzw. bösartigen Endometriumläsion entsprachen und im Zentrum B behandelt wurden, wurden der Testkohorte zugeordnet. Eine Übersicht über den Arbeitsablauf der Studie ist in Abb. 1 dargestellt.

Ein Diagramm, das einen Überblick über den Arbeitsablauf der Studie gibt.

Die MR-Bilder wurden mit dem 3-T-Trio-Siemens-Scanner (Mitte A) und dem 3-T-Magnetom-Skyra-Siemens-Scanner (Mitte B) mit Phased-Array-Abdominalspulen aufgenommen. Alle Patienten mussten während der Datenerfassung in Rückenlage frei atmen. Die folgenden Sequenzen wurden erhalten: axiale T1-gewichtete Bildgebung (T1WI), axiale T2-gewichtete Bildgebung (T2WI), koronale und sagittale T2-gewichtete Bildgebung mit Fettsättigung (FS T2WI) und diffusionsgewichtete Bildgebung (DWI) mit einem ab-Wert von 0 und 800 s/mm2 mit einer Karte des scheinbaren Dispersionskoeffizienten (ADC). FS-T2WI-Bilder wurden mit Turbo-Spin-Echo mit Fettsättigung aufgenommen (Wiederholungszeit (TR)/Echozeit (TE) = 3960/84, Matrix = 512 × 512, Sichtfeld (FOV) = 350 × 350 mm2, Schichtdicke = 4,0 mm, Durchschnitt = 1, Voxelgröße = 0,8 × 0,8 × 4,0 mm3 für Zentrum A und TR/TE = 3200/101, Matrix = 512 × 512, FOV = 207 × 207 mm2, Schichtdicke = 4,0 mm, Durchschnitt = 2 , Voxelgröße = 0,6 × 0,6 × 4,0 mm3 für Zentrum B).

Alle interessierenden Regionen (ROI) wurden mit der ITK-SNAP-Software (Version 3.8.0, www.itksnap.org) ausgehend vom Basis-DICOM-Bild segmentiert. Die manuelle ROI-Segmentierung wurde ausgehend von der Schicht mit dem größten Läsionsdurchmesser16 in der sagittalen FS-T2WI-Sequenz von einem Radiologen (Leser A, mit 5 Jahren Erfahrung in der abdominalen MRT) durchgeführt, der keine Kenntnis von den histopathologischen Daten der Patienten hatte. Einen Monat später wählte ein anderer Radiologe (Leser B, mit 10 Jahren Erfahrung in der Bauch-MRT) zufällig Bilder aus 30 verschiedenen Bildern aus und wiederholte die manuellen ROI-Zeichnungen. Die extrahierten Merkmale der ROIs von zwei verschiedenen Lesegeräten wurden mithilfe des Intra-Class-Korrelationskoeffizienten (ICC) berechnet.

Vor der Merkmalsextraktion wurde eine räumliche Neuabtastung durchgeführt. Die ursprünglichen DICOM-Daten des sagittalen FS T2WI und der gepaarten 2D-ROIs wurden mit 1 × 1 × 1 Voxel neu abgetastet. Radiomics-Merkmale einschließlich Histogramm, Formfaktor, Haralick, Graustufen-Kookkurrenzmatrix (GLCM), Graustufen-Zonengrößenmatrix (GLZSM) und Graustufen-Lauflängenmatrix (GLRLM) wurden anschließend von der AK-Software (Artificial) berechnet Intelligence Kit V 3.0.0R, GE Healthcare). GLCM und GLRLM in vier verschiedenen Richtungen (0°, 45°, 90°, 135°) und drei Offsets1,4,7 wurden berechnet, um die mögliche räumliche Verteilung oder Muster zu beschreiben. Schließlich führte jeder ROI zur Extraktion von 396 unterschiedlichen Merkmalen.

Die Vorverarbeitung der Daten erfolgte in drei Schritten. Zunächst wurden die Ausreißer durch den Median derselben Merkmale ersetzt. Zweitens wird die Z-Score-Normalisierung angewendet, um die Unterschiede in der Werteskala der Features zu beseitigen. Drittens wurden in Zentrum A behandelte Patienten dem Trainingssatz zugeordnet (n = 98), und der Testsatz bestand nur aus Patienten aus Zentrum B (n = 41). Zentrum A und B sind zwei verschiedene Einrichtungen mit unterschiedlichen Patientendaten und MRT-Scangeräten. Daher ist es besser, die Verallgemeinerung der Modelle zu bewerten, indem man sie als Trainings- bzw. Testsätze verwendet.

Vor der Merkmalsreduzierung wurde der Intraclass-Korrelationskoeffizient (ICC) für jedes Merkmal von Reader A und Reader B berechnet, um die schlecht reproduzierbaren und weniger robusten Merkmale zu entfernen. Darüber hinaus wurden nur Bildmerkmale mit einem ICC > 0,75 als qualifizierte Merkmale betrachtet, was auf eine hohe Reproduzierbarkeit und Übereinstimmung hinweist14, und für die nachfolgende Berechnung reserviert.

Das Maximum Relevance Minimum Redundancy (mRMR)-Paket in der R-Software (Version 3.4.4) wurde verwendet, um die redundanten und irrelevanten Funktionen vorläufig im Trainingsdatensatz zu entfernen, und die 20 wichtigsten Funktionen blieben erhalten. Der Algorithmus des kleinsten absoluten Schrumpfungs- und Auswahloperators (LASSO)17 wurde verwendet, um die Koeffizienten der extrahierten Merkmale effektiv zu komprimieren und die Regressionskoeffizienten durch die Konstruktion einer spezifischen Straffunktion auf Null zu bringen, um so eine effektive Reduzierung der zusätzlichen Merkmale zu erreichen. In diesem Prozess wurde dann die zehnfache Kreuzvalidierung verwendet, um den optimalen Parameter λ genau zu berechnen, der beim minimalen Zielfunktionswert des LASSO-Regressionsmodells erhalten wurde.

Die endgültig ausgewählten Merkmale wurden zur Konstruktion des Radiomics-Modells unter dem optimalen Parameter λ des LASSO-Algorithmus verwendet. Die Radiomics-Signatur wurde für die Summe des Produkts der endgültig ausgewählten Merkmale und ihres entsprechenden gewichteten Koeffizientenwerts erhalten, der dem Radiomics-Score (Radscore) entsprach.

In der Trainingskohorte wurde eine univariate logistische Regression durchgeführt, um möglicherweise die verschiedenen klinischen Parameter auf Endometriumläsionen zu untersuchen, darunter Alter18, Body-Mass-Index (BMI)19,20, Status der Menopause21 sowie die Zustände Bluthochdruck und Diabetes22. Zur Auswahl des signifikanten Indikators wurden multivariate logistische Regression und schrittweise Regression verwendet, um die Entwicklung eines umfassenderen und wirksameren Nomogrammmodells zur Unterscheidung gutartiger und bösartiger Endometriumerkrankungen zu erleichtern. Darüber hinaus wurde das neuartige Nomogrammmodell entwickelt, das klinische Parameter und Radscore kombiniert und auf der multivariaten logistischen Regression basiert.

Die ROC-Kurve (Receiver Operating Characteristics) wurde verwendet, um die Unterscheidungsfähigkeit von Modellen zu bewerten. Patienten aus zwei Zentren wurden anschließend auf der Grundlage der Grenzwerte der ROC-Kurve in Gruppen mit der Wahrscheinlichkeit einer gutartigen oder bösartigen Erkrankung eingeteilt, und die Nomogramm-Methode konnte die Wahrscheinlichkeit des Auftretens einer bösartigen Erkrankung des Endometriums genau angeben. Zur Beurteilung der Leistung des Modells wurden Hosmer-Lemeshow-Test- und Kalibrierungskurven verwendet. Abschließend wurde auch die Entscheidungskurvenanalyse (DCA) durchgeführt, um die Machbarkeit des Nomogramms zu validieren.

Die statistische Analyse wurde mit der Software SPSS 22.0 und der R-Software durchgeführt. Die Zähldaten zwischen den Proben wurden mit dem χ2-Test verglichen. Die Normalität der Daten wurde durch den Kolmogorov-Smirnov-Test überprüft. Alle unterschiedlichen Parameter der beiden Datensätze wurden statistisch verglichen. Die normalverteilten Daten wurden mit dem t-Test analysiert, und schiefverteilte Daten wurden mit dem Mann-Whitney-U-Test analysiert. Die prädiktive Diagnoseeffizienz der Modelle wurde auch anhand der Fläche unter der ROC-Kurve (AUC) und ihres 95 %-Konfidenzintervalls (95 %-KI) bewertet, um die Spezifität, Sensitivität und Genauigkeit der Daten zu bestimmen.

Diese retrospektive Studie, die auf der Verwendung anonymer Daten basiert, wurde von der Ethikkommission des Volkskrankenhauses der Provinz Jiangxi genehmigt und auf die Anforderung einer Einwilligung nach Aufklärung verzichtet. Alle in Studien mit menschlichen Teilnehmern durchgeführten Verfahren entsprachen den ethischen Standards des institutionellen (Volkskrankenhauses der Provinz Jiangxi) und/oder des nationalen Forschungsausschusses sowie der Helsinki-Erklärung von 1964 und ihren späteren Änderungen oder vergleichbaren ethischen Standards.

Insgesamt konnten hinsichtlich der Indikatoren Alter, BMI, Status der Menopause, Prävalenz von Bluthochdruck und Diabetes keine signifikanten Unterschiede zwischen der Trainings- und der Testkohorte beobachtet werden, wie in Tabelle 1 dargestellt. Allerdings gab es statistische Unterschiede in den verschiedenen klinische Parameter (Alter, Menopause) zwischen gutartigen und bösartigen Endometriumerkrankungen für die Trainingskohorte (p < 0,05), aber keine signifikanten klinischen Parameter für die Testkohorte (p > 0,05).

Das Vorhersagemodell, bestehend aus dem klinischen Parameter zur Klassifizierung der gutartigen und bösartigen Endometriumläsionen, lieferte die folgenden Leistungsmetriken. Die AUC betrug 0,70 (mit einem 95 %-KI 0,60–0,80) und die Spezifität, Sensitivität und Genauigkeit wurden in der Trainingskohorte mit 54,3, 80,8 bzw. 68,4 % beobachtet. Für die Testkohorte betrug die AUC 0,65 (mit einem 95 %-KI 0,49–0,81) und die Spezifität, Sensitivität und Genauigkeit lagen bei 57,9, 72,7 bzw. 65,9 % (siehe Tabelle 2).

Merkmale mit einem ICC < 0,75 wurden entfernt, so dass 271/396 Merkmale (68,4 %) übrig blieben. Nach der Auswahl der verschiedenen Merkmale und der Dimensionsreduzierung wurden schließlich die 15 wichtigsten Merkmale ausgewählt und diese für die Konstruktion des Radiomics-Signaturmodells verwendet (siehe Abb. 2). Die Ergebnisse zeigten eine gute Vorhersageleistung sowohl für die Trainings- als auch für die Testdaten mit nur geringfügigen Unterschieden. Es wurde festgestellt, dass das Radiomics-Signaturmodell eine zufriedenstellende Leistung mit AUC-Werten von 0,90 (mit einem 95 %-KI 0,84–0,96) und 0,85 (mit einem 95 %-KI 0,72–0,98) in den Trainings- und Testkohorten und Spezifitätswerten von 76,1 zeigte und 57,9 %, Empfindlichkeitswerte von 94,2 bzw. 95,5 % und Genauigkeitswerte von 85,7 bzw. 78,0 % (siehe Tabelle 2). Der Radscore zeigte im Vergleich zum klinischen Parametermodell eine deutlich bessere Unterscheidung sowohl in den Trainings- als auch in den Testdaten, was auf die hohe Wirksamkeit der Radiomics-Signatur bei der Differentialdiagnose von Endometriumerkrankungen hinweist (Abb. 3).

Die Auswahl der verschiedenen Merkmale und die Dimensionsreduzierung erfolgten mithilfe der LASSO-Methode. (a) Eine zehnfache Kreuzvalidierung wurde verwendet, um den optimalen Parameter (λ) mit den Mindestkriterien auszuwählen und so die Anzahl der Merkmale zu bestimmen. (b) Koeffizienten für den optimalen Parameter (λ). Am ausgewählten Wert von log (λ) wurde eine vertikale Linie gezeichnet, die die Koeffizienten ungleich Null zeigte. (c) Die endgültig ausgewählten Merkmale und entsprechenden Koeffizienten.

Radscore-Vergleich der gutartigen und bösartigen Endometriumläsionen in der Trainings- bzw. Testkohorte (links: Trainingskohorte; rechts: Testkohorte).

Alter, Wechseljahre und Bluthochdruck wurden anschließend mithilfe eines univariaten logistischen Regressionsmodells (p < 0,1) als potenzielle klinische Prädiktoren für Endometriumläsionen gefiltert. Zur korrekten Identifizierung gutartiger und bösartiger Endometriumerkrankungen bei Patienten wurde die aussagekräftigste Untergruppe klinischer Parameter (Alter und Menopause) ausgewählt, da sie in der schrittweisen Regression den kleinsten Wert des Akaike-Informationskriteriums (AIC) erhielten. Die multivariate logistische Regression lieferte schließlich die drei signifikanten Prädiktoren, darunter Radscore, Alter und Menopause, und führte zur Erstellung eines umfassenderen und robusteren Vorhersagemodells und Nomogramms (Abb. 4).

(a) Ein Radiomics-Nomogramm zur Bestimmung der Unterscheidung zwischen gutartigen und bösartigen Endometriumläsionen, das in der Trainingskohorte entwickelt wurde. (b) Die Kalibrierungskurven des Trainingssatzes (links) und des Testsatzes (rechts).

Das Radiomics-Nomogramm zeigte ein hervorragendes Kalibrierungspotenzial bei der Vorhersage der Eigenschaften von Endometriumläsionen anhand der Kalibrierungskurven sowohl für Trainings- als auch für Testkohorten (Abb. 4), der Hosmer-Lemeshow-Test zeigte jedoch keine statistische Signifikanz (p > 0,05). Die AUCs des Radiomics-Nomogramms betrugen 0,91 (mit einem 95 %-KI 0,86–0,97) und 0,86 (mit einem 95 %-KI 0,74–0,98) für die Trainings- und Testsätze (Abb. 5). Die Spezifität, Sensitivität und Genauigkeit betrugen 91,3, 75,0, 82,7 % für den Trainingssatz und 76,2 %, 85,0 % bzw. 80,5 % für den Testsatz (Tabelle 2).

(a) Die ROC-Kurve und die entsprechenden AUC-Werte für das Nomogramm, die Radiomics-Signatur und die klinischen Parametermodelle zur Identifizierung der gutartigen und bösartigen Endometriumläsionen (links: Trainingskohorte; rechts: Testkohorte). (b) Die Entscheidungskurvenanalyse wurde verwendet, um den klinischen Nutzen der Modelle zu bewerten. Die grünen, blauen und roten Linien entsprechen den Modellen für klinische Parameter, Radiomics-Signatur und Radiomics-Nomogramm. Die schwarze Linie stellt eine Extremsituation dar, in der alle Indikatoren positiv sind, während die horizontale rote Linie die andere Extremsituation darstellt, in der alle analysierten Indikatoren negativ sind.

Basierend auf den Ergebnissen des DeLong-Tests wurde beobachtet, dass die AUCs der Modelle zwischen den klinischen Indizes und dem Nomogramm sowohl in der Trainings- als auch in der Testkohorte signifikant unterschiedlich waren (p < 0,05, siehe Tabelle 3), was auf eine günstige Vorhersageleistung für die Modelle hinweist Nomogramm für beide Kohorten. Darüber hinaus könnte das Nomogramm gemäß dem Cut-off-Wert von 0,566 für den Youden-Index möglicherweise den Risikoscore für Endometriumläsionen bewerten und die Kategorisierung von Patientinnen in Gruppen mit niedrigem und hohem Risiko erleichtern. Abbildung 5 zeigt das DCA-Diagramm des Radiomics-Nomogramms. Die Ergebnisse zeigten eine bessere Risikovorhersageleistung der entwickelten Nomogrammmethode im Vergleich zum klinischen Parametermodell.

Das Hauptergebnis dieser Studie war die Entwicklung eines neuartigen, auf Radiomics basierenden Klassifizierungsmodells, mit dem Patienten mit gutartigen und bösartigen Endometriumläsionen wirksam unterschieden werden können. Sowohl das Nomogramm- als auch das Radiomics-Modell zeigen eine bessere Effizienz als das klinische Parametermodell, was den klinischen Wert der präoperativen und nicht-invasiven Erkennung von EC impliziert. Obwohl die Nomogramm- und Radiomics-Modelle einen vergleichbaren AUC-Wert aufweisen, könnte das Nomogramm die Risikowahrscheinlichkeit von Endometriumläsionen statt unleserlicher hochdimensionaler Merkmale quantifizieren.

Die Robustheit der aus Bildern extrahierten Merkmale ist für die Entwicklung der Radiomics von entscheidender Bedeutung. Zielsegmentierung, Merkmalsextraktion, Merkmalsauswahl und Klassifizierungsmodellimplementierung werden durch eine hohe Variabilität zwischen und innerhalb von Beobachtern beeinflusst23. Wir haben uns für die manuelle Segmentierung entschieden, da der Datensatz dieser Studie relativ klein ist und der ICC berechnet wurde, um die Robustheit und Reproduzierbarkeit der Merkmale zu verbessern. Radiologen können Ziele flexibel manuell abgrenzen, was zu einer hochpräzisen Segmentierung führt, und die manuelle Segmentierung ist eine intuitivere und einfacher umzusetzende Möglichkeit, eine Zielläsion zu erhalten. Dennoch ist die manuelle Segmentierung arbeitsintensiv, zeitaufwändig und für Radiomics-Analysen, die große Datensätze erfordern, nicht immer machbar. Die Verwendung automatischer oder halbautomatischer Segmentierungsmethoden könnte das Problem der starken Bedienerabhängigkeit überwinden. Daher basierten die meisten Radiomics-Studien mit großen Datensätzen auf automatischen oder halbautomatischen Segmentierungsmethoden. Viele halbautomatische Abgrenzungsalgorithmen, wie z. B. Region Growing oder Thresholding, werden im klinischen Umfeld verwendet, sind jedoch weniger präzise als die manuelle Segmentierung24.

Die Studie konzentrierte sich auf FS-T2WI-Bilder zur Radiomics-Datenextraktion, da es in zuvor veröffentlichten Radiomics-Studien informative Demonstrationen gab25,26. Darüber hinaus stellen ADC-Bilder hohe Anforderungen an die Gleichmäßigkeit des Magnetfelds und erwiesen sich als anfälliger für Artefakte, insbesondere im Beckenbereich13. Für einige gutartige Endometriumerkrankungen wurde die mit dynamischem Kontrastmittel verstärkte T1WI nicht als herkömmliche Sequenz in Betracht gezogen. Dabei umfassten die 15 extrahierten Merkmale die verschiedenen Parameter Formfaktor, Haralick, GLRLM und GLCM. Zu den Merkmalen des Formfaktors gehörten detaillierte Deskriptoren der dreidimensionalen Größe und Form der Läsionsregion27, was auf die Rolle der Läsionsgröße als wichtigen Prädiktor für die Differentialdiagnose von Endometriumerkrankungen hinweist28. GLCM-Merkmale könnten auch die Komplexität und Ebenenänderung der Werte beschreiben, indem sie die Verteilung der Koexistenzmatrix quantifizieren29. Entropie und Trägheit von GLCM können sowohl die Zufälligkeit des Intensitätsbildes als auch die Klarheit des Bildes widerspiegeln. Darüber hinaus betonte die Energie der GLCM- und Haralick-Parameter die Gleichmäßigkeit, die als lokale Homogenität bekannt ist29. CLRLM zeichnet sich vor allem durch reflektierte Rauheit und Richtungsabhängigkeit der Textur aus30.

Die Radiomics-Analyse wurde bereits bei Endometriumerkrankungen eingesetzt und zeigte insbesondere bei EC überlegene Ergebnisse. Beispielsweise haben Yan et al. konstruierte ein Radiomics-Modell, das den Zustand der Beckenlymphknoten präzise bewerten konnte und so die präoperative Diagnose der lymphatischen Metastasierung von EC31 unterstützte. Darüber hinaus wurden in einer anderen Studie innovative klinische Radiomics-Modelle für maschinelles Lernen entwickelt und versucht, die verschiedenen molekularen Anomalien der EC nichtinvasiv anhand kontrastverstärkter CT-Bilder zu identifizieren32. Der Hauptvorteil des Nomogramms besteht darin, dass die Ergebnisse eine genaue Risikostratifizierung mit einem allgemeinen MRT-Bild liefern können. Die Ergebnisse des Nomogramms enthalten eine objektive und spezifische Wahrscheinlichkeit für die korrekten EC9-Werte, auch wenn das Modell nicht das ideale Pathologieniveau erreichen kann und die Fehlklassifizierung unvermeidlich ist. Es hat sich herausgestellt, dass es für Radiologen und Gynäkologen manchmal schwierig sein kann, präoperativ eine konkrete Beurteilung ihrer Diagnosen abzugeben. Die Möglichkeit, objektive Wahrscheinlichkeiten zu nutzen, ist für die Diagnose von erheblichem Nutzen und könnte Fehleinschätzungen seitens der Kliniker ausgleichen. Da das Nomogramm darüber hinaus aus MR-Bildern vor der Behandlung eindeutige Informationen zu diesen Hochrisikofaktoren liefern kann, könnte es dazu beitragen, EC-Patienten, die möglicherweise einen umfangreicheren chirurgischen Eingriff benötigen, mit präoperativer Risikostratifizierung zur optimalen Auswahl effektiv zu untersuchen und gleichzeitig eine Überbehandlung zu minimieren von Patienten mit geringem Risiko.

Mit dieser Studie sind nur wenige Einschränkungen verbunden. Erstens war die Zahl der eingeschlossenen Patientinnen relativ gering, insbesondere im Fall von Patientinnen mit gutartigen Endometriumläsionen, zu denen mehrere Subtypen gehörten. Darüber hinaus wurden in der Studie nur fünf häufige Arten von Endometriumläsionen analysiert, und Fälle mit geringer Inzidenz wurden nicht berücksichtigt. Zweitens wurde in der Studie keine volumetrische Analyse durchgeführt, da diese erheblich mehr Zeit und Aufwand erfordert. Daher könnten bei der zweidimensionalen Methode einige wichtige Merkmale im Zusammenhang mit der intrinsischen Heterogenität übersehen worden sein. Das Fehlen einer Mehrbildstudie ist eine weitere wesentliche Einschränkung. Theoretisch können alle MRT-Sequenzen nach umfangreichen Informationen durchsucht werden. Eine weitere Validierung mithilfe prospektiver Studien ist ebenfalls erforderlich. Es könnte auch wichtig sein, die Robustheit und Anwendbarkeit des Vorhersagemodells zu bestätigen, indem intrinsische Verzerrungen und Überanpassungen sorgfältig vermieden werden33. Daher wird ein größerer und umfangreicherer Datensatz benötigt, um unser Modell deutlich zu stärken und die Generalisierungsfähigkeit weiter zu validieren, damit das Modell erfolgreich auf mehrere verschiedene Bedingungen angewendet werden kann.

Diese Studie erstellte ein visualisiertes Nomogrammmodell durch Kombination von Radiomics-Signaturen und klinischen Parametern. Das Nomogrammmodell zeigte einen enormen klinischen Anwendungswert bei der Vorhersage der objektiven Wahrscheinlichkeit der Klassifizierung von Endometriumläsionen als nicht-invasiv und kann daher den Gynäkologen bei der Beurteilung und Entwicklung personalisierter Behandlungsstrategien helfen. Es sollten jedoch weitere Anstrengungen unternommen werden, um die Anwendungsmöglichkeiten und die Robustheit des Modells weiter zu verbessern, damit es zu einem echten Instrument zur Risikostratifizierung für den Einsatz bei Patientinnen mit Endometriumläsionen in der Klinik werden kann.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim jeweiligen Autor erhältlich.

Scheinbarer Dispersionskoeffizient

Akaike-Informationskriterium

Fläche unter der Betriebskennlinie des Empfängers

Body-Mass-Index

Konfidenzintervall

Computertomographie

Entscheidungskurvenanalyse

Diffusionsgewichtete Bildgebung

Endometriumkarzinom

Sichtfeld

T2-gewichtetes Bild mit Fettsättigung

Graustufen-Koexistenzmatrix

Graustufen-Lauflängenmatrix

Graustufenzonen-Größenmatrix

Korrelationskoeffizient innerhalb der Klasse

Der kleinste absolute Schrumpfungs- und Auswahloperator

Magnetresonanztomographie

Maximale Relevanz, minimale Redundanz

Betriebscharakteristik des Empfängers

Region von Interesse

Echozeit

Wiederholungszeit

T1-gewichtetes Bild

T2-gewichtetes Bild

Bacon, JL Abnormale Uterusblutungen: Aktuelle Klassifizierung und klinische Behandlung. Obstet. Gynäkologie. Klin. North Am. 44(2), 179 (2017).

Artikel Google Scholar

Vander Borght, M. & Wyns, C. Fruchtbarkeit und Unfruchtbarkeit: Definition und Epidemiologie. Klin. Biochem. 62, 2–10 (2018).

Artikel Google Scholar

Bafligil, C. et al. Zusammenhang zwischen genetischen Polymorphismen und dem Endometriumkrebsrisiko: Eine systematische Überprüfung. J. Med. Genet. 57(9), 591–600 (2020).

Artikel CAS Google Scholar

Siegel, RL, Miller, KD & Jemal, A. Krebsstatistik, 2019. CA: A Cancer J. Clin. 69(1), 7–34 (2019).

Google Scholar

Nougaret, S. et al. MRT-Stadieneinteilung bei Endometriumkarzinom: Aktualisierte Leitlinien der Europäischen Gesellschaft für Urogenitalradiologie. EUR. Radiol. 29(2), 792–805 (2019).

Artikel Google Scholar

Nalaboff, KM, Pellerito, JS & Ben-Levi, E. Bildgebung des Endometriums: Krankheit und normale Varianten. Radiographics 21(6), 1409–1424 (2001).

Artikel CAS Google Scholar

Kierans, AS, Bennett, GL, Haghighi, M. & Rosenkrantz, AB Nutzen konventioneller und diffusionsgewichteter MRT-Merkmale bei der Unterscheidung gutartiger von bösartigen Endometriumläsionen. EUR. J. Radiol. 83(4), 726–732 (2014).

Artikel Google Scholar

Bakir, B. et al. Rolle der diffusionsgewichteten MRT bei der Differentialdiagnose von Endometriumkrebs, Polypen, Hyperplasien und physiologischer Verdickung. Klin. Bildgebung 41, 86–94 (2017).

Artikel Google Scholar

Zhang, Y. et al. Deep-Learning-Modell zur Klassifizierung von Endometriumläsionen. J. Übers. Med. 19(1), 10 (2021).

Artikel CAS Google Scholar

Gillies, RJ, Kinahan, PE & Hricak, H. Radiomics: Bilder sind mehr als Bilder, sie sind Daten. Radiology 278(2), 563–577 (2016).

Artikel Google Scholar

Rizzo, S. et al. Radiomics: Die Fakten und Herausforderungen der Bildanalyse. EUR. Radiol. Exp. 2(1), 36 (2018).

Artikel Google Scholar

Li, S. et al. Ein Radiomics-Ansatz zur automatisierten Diagnose bösartiger Ovarialneoplasien in der Computertomographie. Wissenschaft. Rep. 11(1), 8730 (2021).

Artikel ADS CAS Google Scholar

Stanzione, A. et al. Tiefe myometriale Infiltration von Endometriumkarzinomen im MRT: Eine Radiomics-gestützte Pilotstudie zum maschinellen Lernen. Acad. Radiol. 28(5), 737–744 (2021).

Artikel Google Scholar

Fasmer, KE et al. Vollvolumige Tumor-MRT-Radiomics zur prognostischen Modellierung bei Endometriumkarzinomen. J. Magn. Resonanz. Bildgebung 53(3), 928–937 (2021).

Artikel Google Scholar

Chen, X. et al. Deep Learning zur Bestimmung der Myometrium-Invasionstiefe und zur automatischen Läsionsidentifizierung in der MR-Bildgebung von Endometriumkarzinomen: Eine vorläufige Studie in einer einzigen Institution. EUR. Radiol. 30(9), 4985–4994 (2020).

Artikel Google Scholar

Ueno, Y. et al. Endometriumkarzinom: Auf MRT-Bildgebung basierendes Texturmodell zur präoperativen Risikostratifizierung – Eine vorläufige Analyse. Radiologie 284(3), 748–757 (2017).

Artikel Google Scholar

Kato, T. & Uemura, M. Periodenanalyse mit dem kleinsten absoluten Schrumpfungs- und Auswahloperator (Lasso). Publ. Astron. Soc. Japan 64(6), 122 (2012).

Artikel ADS Google Scholar

Castle, PE et al. Zusammenhang zwischen atypischer Drüsenzellzytologie, Alter und Erkennung humaner Papillomaviren mit dem Risiko für Gebärmutterhalskrebs und Gebärmutterschleimhautkrebs. Obstet. Gynäkologie. 115(2 Pt 1), 243–248 (2010).

Artikel Google Scholar

Nagle, CM et al. Einfluss von Gewichtsveränderungen und Gewichtswechseln auf das Risiko verschiedener Subtypen von Endometriumkrebs. EUR. J. Cancer 49(12), 2717–2726 (2013).

Artikel CAS Google Scholar

Crosbie, EJ, Zwahlen, M., Kitchener, HC, Egger, M. & Renehan, AG Body-Mass-Index, Hormonersatztherapie und Endometriumkrebsrisiko: Eine Metaanalyse. Krebs-Epidemiol. Biomark. Vorher. 19(12), 3119–3130 (2010).

Artikel CAS Google Scholar

Xu, WH et al. Menstruations- und Fortpflanzungsfaktoren und Endometriumkrebsrisiko: Ergebnisse einer bevölkerungsbasierten Fall-Kontroll-Studie im städtischen Shanghai. Int. J. Cancer 108(4), 613–619 (2004).

Artikel CAS Google Scholar

Wijaya, C. Diabetes mellitus und Bluthochdruck sind Risikofaktoren für Endometriumkrebs. Indonesien. J. Obstet. Gynäkologie. https://doi.org/10.32771/inajog.v36i3.314 (2016).

Artikel Google Scholar

van Timmeren, JE, Cester, D., Tanadini-Lang, S., Alkadhi, H. & Baessler, B. Radiomics in der medizinischen Bildgebung – „How-to“-Anleitung und kritische Reflexion. Insights Imaging 11(1), 91 (2020).

Artikel Google Scholar

Stefano, A. et al. Robustheit der PET-Radiomics-Funktionen: Auswirkungen der Co-Registrierung mit MRT. Appl. Wissenschaft. 11(21), 10170 (2021).

Artikel CAS Google Scholar

Shu, Z. et al. MRT-basiertes Radiomics-Nomogramm zur Erkennung von primärem Rektumkarzinom mit synchronen Lebermetastasen. Wissenschaft. Rep. 9(1), 3374 (2019).

Artikel ADS Google Scholar

Kocak, B. et al. Vorhersage der Reaktion auf Somatostatin-Analoga bei Akromegalie: Auf maschinellem Lernen basierende hochdimensionale quantitative Texturanalyse im T2-gewichteten MRT. EUR. Radiol. 29(6), 2731–2739 (2019).

Artikel Google Scholar

Limkin, EJ et al. Die Komplexität der Tumorform, die Spikuliertheit, korreliert mit den radiomischen Formmerkmalen des Tumors. Wissenschaft. Rep. 9(1), 4329 (2019).

Artikel ADS Google Scholar

Sozzi, G. et al. Tumorgröße, ein zusätzlicher Risikofaktor für ein lokales Rezidiv bei Endometriumkarzinom mit geringem Risiko: Eine große multizentrische retrospektive Studie. Int. J. Gynecol. Krebs 28(4), 684–691 (2018).

Artikel Google Scholar

Dhruv, B., Mittal, N. & Modi, M. Studie zur Haralick- und GLCM-Texturanalyse auf medizinischen 3D-Bildern. Int. J. Neurosci. 129(4), 350–362 (2019).

Artikel Google Scholar

Chu, H. et al. Wert der MRT-Radiomics basierend auf verbesserten T1WI-Bildern bei der Vorhersage des Meningeom-Grades. Acad. Radiol. 28(5), 687–693 (2021).

Artikel Google Scholar

Yan, BC et al. Radiologen mit MRT-basierten Radiomics-Hilfsmitteln zur Vorhersage der Beckenlymphknotenmetastasierung bei Endometriumkarzinom: Eine multizentrische Studie. EUR. Radiol. 31(1), 411–422 (2021).

Artikel CAS Google Scholar

Veeraraghavan, H. et al. Auf maschinellem Lernen basierende Vorhersage der Mikrosatelliteninstabilität und der hohen Tumormutationslast durch kontrastmittelverstärkte Computertomographie bei Endometriumkarzinomen. Wissenschaft. Rep. 10(1), 17769 (2020).

Artikel ADS CAS Google Scholar

Ji, GW et al. Gallengangskrebs im CT: Ein Radiomics-basiertes Modell zur Vorhersage von Lymphknotenmetastasen und Überlebensergebnissen. Radiologie 290(1), 90–98 (2019).

Artikel Google Scholar

Referenzen herunterladen

Diese Studie wurde vom Ministerium für Wissenschaft und Technologie der Provinz Jiangxi (Zuschüsse Nr. 20202BABL206112) und der Gesundheitskommission der Provinz Jiangxi (Zuschüsse Nr. 20203036 und 202110004) unterstützt.

Diese Autoren haben gleichermaßen beigetragen: Jiaqi Liu und Shiyun Li.

Abteilung für Radiologie, Volkskrankenhaus der Provinz Jiangxi, erstes angegliedertes Krankenhaus des Nanchang Medical College, 152 Aiguo Road, Nanchang, 330006, China

Jiaqi Liu, Bing Fan & Juhong Yu

Abteilung für Gynäkologie, Volkskrankenhaus der Provinz Jiangxi, das erste angegliederte Krankenhaus der Nanchang Medical College, Nanchang, China

Shiyun Li & Puying Luo

GE Healthcare, Hangzhou, China

Huashan Lin & Peiei Pang

Sie können diesen Autor auch in PubMed Google Scholar suchen

Konzeption und Design: BF, JHY und JQL; Patienten- und klinische Datenerfassung: SYL und PYL; Bilddatenerfassung: JQL und SYL; ROI-Abgrenzung: JQL und BF; Datenanalyse: PPP und JQL; Manuskriptschreiben: JQL, HSL, BF, JHY und PPP; Endgültige Genehmigung des Manuskripts: Alle Autoren.

Korrespondenz mit Bing Fan oder Juhong Yu.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Liu, J., Li, S., Lin, H. et al. Entwicklung eines MRT-basierten Radiomics-Vorhersagemodells zur Klassifizierung von Endometriumläsionen. Sci Rep 13, 1590 (2023). https://doi.org/10.1038/s41598-023-28819-2

Zitat herunterladen

Eingegangen: 09. April 2022

Angenommen: 25. Januar 2023

Veröffentlicht: 28. Januar 2023

DOI: https://doi.org/10.1038/s41598-023-28819-2

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.

Blog