Subscribe to RSS
DOI: 10.1055/s-0040-1703343
Machine Learning-basierte Klassifizierung von Kolonläsionen in der CT-Kolonografie: Ein Radiomics-Ansatz
Publication History
Publication Date:
21 April 2020 (online)
Zielsetzung Differenzierung von benignen und prämalignen/malignen Kolonläsionen in CT-Kolonografien aus einer asymptomatischen Darmkrebs-Screening-Kohorte mit Hilfe eines Radiomics-Ansatzes.
Material und Methoden Kolonläsionen wurden in CT-Kolonografien manuell segmentiert und gemäß Histopathologie als Referenzstandard als benigne (d.h. hyperplastischer Polyp, reguläre Kolonschleimhaut) oder prämaligne/maligne (d.h. tubuläres Adenom, villöses Adenom, Adenokarzinom) klassifiziert. Für jede Läsion wurden mit Pyradiomics n=1218 Bildeigenschaften berechnet, die Form (n=14), Signalintensität (n=252) und Bildtextur (n=952) charakterisieren. Ein Random Forest-Klassifikationsalgorithmus wurde darauf trainiert, die Dignität jeder Läsion vorherzusagen. Die diagnostische Performance wurde in einem 5-Fach-Kreuzvalidierungsansatz evaluiert.
Ergebnisse In der Studienpopulation, die 63 Patienten umfasst, wurden insgesamt 162 Kolonläsionen (83 benigne, 79 prämaligne/maligne) identifiziert. Diese wurden im Kreuvalidierungsverfahren in fünf Trainings- und Testdatensätze mit jeweils ca. 130 (80 %) und ca. 32 (20 %) Läsionen aufgeteilt. Läsionen eines Patienten befanden sich dabei stets im gleichen Datensatz. Mit der Random Forest-Analyse konnten 131 von 162 (81 %) Läsionen im Testdatensatz in Korrelation zum histopathologischen Referenzstandard korrekt klassifiziert werden. Der durchschnittliche ROC-AUC Wert lag bei 0,90 (Max.: 1.00, Min.: 0.71), mit einer mittleren Sensitivität von 0,84 (Max.: 1.00, Min.: 0.71) und Spezifität von 0,80 (Max.: 0.89, Min.: 0.68) bei einem Schwellenwert von 0,5.
Schlußfolgerungen Unsere experimentellen Resultate zeigen, dass ein automatisierter Radiomics-Ansatz für die Unterscheidung zwischen benignen und prämalignen/malignen Kolonläsionen in der CT-Kolonografie geeignet ist. Diese automatisierte und objektivierte Analyse der CT-Kolonografie könnte personalisierte Therapieansätze verbessern und damit den Stellenwert der CT-Kolonografie in der Darmkrebsvorsorge erhöhen.
#