Neue radiomics Modell Immunhistochemie verwendet, um vorherzusagen, Schilddrüse Knötchen

Nach einem ahead-of-print Artikel, veröffentlicht in der Dezember-Ausgabe des American Journal of Roentgenology (AJR), Forscher bestätigt haben, ein first-of-its-Kind-machine-learning-basiertes Modell zur Bewertung immunhistochemische (IHC) Merkmale bei Patienten mit Verdacht auf Schilddrüsen-Knoten, zu erreichen „hervorragende Leistung“ für die individualisierte nicht invasive Vorhersage der Anwesenheit von cytokeratin 19, Gal 3, und thyroperoxidase basierend auf CT-Bildern.

„Wenn IHC Informationen ausgeblendet, die auf CT-Bildern,“ principal investigator Jiabing Gu erklärt, „kann es möglich sein, zu erkennen, den Zusammenhang zwischen dieser information und radiomics durch die Verwendung von textur-Analyse.“

Um zu beurteilen, ob Texturanalyse genutzt werden könnte, um vorauszusagen, IHC Merkmale der Verdacht auf Schilddrüsen-Knoten, Gu und Kollegen von der China University of Jinan eingeschrieben 103 Patienten (training Kohorte-zu-Validierung Kohorte ratio) mit Verdacht auf Schilddrüsen-Knoten, die thyreoidektomie unterzogen wurden, und der IHC-Analyse vom Januar 2013 bis Januar 2016. Alle 103 Patienten—28 Männer, 75 Frauen; das Mediane Alter bei 58 Jahren; Bereich, 33-70 Jahre unterzog CT vor der Operation und 3-D-Slicer v 4.8.1 wurde verwendet, um die Bilder analysieren der chirurgischen Probe.

Zur Erleichterung der test-retest-Verfahren, 20 Patienten abgebildet wurden in zwei Gruppen von CT-Serie innerhalb von 10-15 Minuten, mit dem gleichen scanner (LightSpeed 16, Philips Healthcare) und Protokolle, ohne Kontrastmittelgabe. Diese Bilder wurden nur verwendet, um auszuwählen, reproduzierbare und nichtredundant Funktionen, die nicht zu schaffen oder zu überprüfen, die radiomic Modell.

Der Kruskal-Wallis-test (SPSS v 19, IBM) wurde eingesetzt, um eine bessere Einteilung der Leistung zwischen textur-Funktion und IHC Merkmal. Gu et al. als Merkmale mit p < 0.05 signifikant, und die feature-basierten Modell trainiert wurde, mittels support-vector-machine-Methoden bewertet, die mit Bezug auf Genauigkeit, Empfindlichkeit, Spezifität, die entsprechenden AUC, und eine unabhängige Validierung. Von insgesamt 828 features, 86 reproduzierbare und nichtredundant features ausgewählt wurden, das Modell zu bauen.

Die beste Leistung des cytokeratin 19 radiomic Modell erreicht Genauigkeit von 84.4% in die Ausbildung Kohorte und 80,0% in der Validierung Kohorte. Mittlerweile, die thyroperoxidase und Gal 3 prädiktive Modelle belegt Genauigkeiten von 81,4% und 82.5% in die Ausbildung Kohorte und 84.2% und 85.0% in der Validierung Kohorte, beziehungsweise.

Feststellend, dass zytokeratin 19 und Gal 3 Ebenen hoch sind in papillären Karzinomen, Gu behauptet, dass diese Modelle helfen können, Radiologen und Onkologen zu identifizieren papillären Schilddrüsen-Krebs, „das ist von Vorteil für die Diagnose von papillären Schilddrüsen-Krebserkrankungen früher und die Auswahl an Optionen für die Behandlung in einer fristgerechten Weise.“