We found a match
Your institution may have access to this item. Find your institution then sign in to continue.
- Title
Vesesejtes veseráktípusok megkülönböztetése CT-textúraelemzés segítségével.
- Authors
Katalin, BUDAI Bettina; Róbert, STOLLMAYER; Dávid, RÓNASZÉKI Aladár; Zita, ZSOMBOR; Lőrinc, PALOTÁS; Bence, FEJÉR; Attila, SZENDRŐI; Eszter, SZÉKELY; Pál, MAUROVICH-HORVAT; Pál, KAPOSI NOVÁK
- Abstract
Kutatásunk célja egy olyan CT-textúra-elemzésen alapuló gépi tanulási modell létrehozása volt, amely képes megkülönböztetni a világossejtes veserákot (CCRCC) a nem világossejtes szövettani altípusoktól. Betegek és módszerek: Retrospektív kutatásunkhoz 209 RCC-vel diagnosztizált beteg műtét előtti kontrasztos CT-vizsgálatát használtuk fel. A tumorok teljes volumenét manuálisan szegmentáltuk, majd minden egyes posztkontrasztos sorozatból 107 radiomikai paramétert (RP) vontunk ki. Ezt követően azonosítottuk és eltávolítottuk azokat az RP-ket, melyek egymással erős korrelációt mutatnak, illetve azokat, melyek rossz reprodukálhatóságúnak bizonyultak. A legjobb RP-ket vagy a LASSO algoritmussal, vagy a TuRF algoritmussal választottuk ki. Majd a legjobbnak bizonyult RP-k felhasználásával szupport vektor gép (SVC) és véletlen erdő (RFC) algoritmus alapú predikciós modelleket építettünk, melyek teljesítményét a „KiTS19" publikus adatbázis esetein értékeltük ki. Végül a predikciós modellek pontosságát összehasonlítottuk egy tapasztalt radiológus szakorvos pontosságával. Eredmények: A tanító halmaz 121 CCRCC-t és 38 nem CCRCC tumort (papilláris sejtes vagy kromofób sejtes veserák) tartalmazott, míg a saját klinikánk eseteiből álló belső teszthalmazunkban 40 CCRCC- és 13 nem CCRCC-eset került. A „KiTS19" adatbázis azon esetei közül, ahol rendelkezésre állt natív, kortikomedulláris és kiválasztási fázisú CT-felvétel, 50 CCRCC-t és 13 nem CCRCC-t azonosítottunk. Ezen 73 esetet mint független külső teszthalmazt használtuk fel. Az SVC-modellt azokkal az RP-kkel tanítottuk, melyeket a LASSO algoritmus választott ki, míg a RFC-modellt a TuRF algoritmus által kiválasztott RP-k felhasználásával építettük. A modellek közül az az SVC modell érte el a legjobb diagnosztikus teljesítményt, amelyet a 10 kiválasztott kortikomedulláris RP-vel tanítottunk. Ez a modell 80%-os szenzitivitás és 74%-os specificitás mellett 0,83-as AUC-értéket és 78%-os pontosságot ért el a „KITS19" publikus adatbázison, ez az eredmény szinte megegyezett a radiológus szakorvos pontosságával, aki 84%-os szenzitivitás és 69%-os specificitás mellett 79%-os pontosságot ért el. Következtetések: A radiomikaalapú SVCmodellünk teljesítménye nemzetközi adatbázison történő validálás során reprodukálhatónak bizonyult, és elérte a radiológus szakorvos pontosságát. Eredményeink alapján a CT-textúra-elemzés segítheti a vesetumorok non-invazív diagnosztikáját.
- Publication
Magyar Radiológia Online, 2023, Vol 14, Issue 2, p15
- ISSN
0025-0287
- Publication type
Article