Diagnostic performance of machine learning models based on 18F-FDG PET/CT radiomic features in classification of solitary pulmonary nodules
Yavuz Sami Salihoğlu1, Rabiye Uslu Erdemir2, Büşra Aydur Püren1, Semra Özdemir1, Caglar Uyulan3, Turker Tekin Erguzel4, Huseyin Ozan Tekin51Department Of Nuclear Medicine, Faculty Of Medicine, Çanakkale Onsekiz Mart University, Çanakkale2Department Of Nuclear Medicine, Faculty Of Medicine, Bülent Ecevit University, Zonguldak
3Department Of Mechanical Engineering, Faculty Of Engineering and Architecture, Katip Çelebi University, İzmir
4Department Of Software Engineering, Faculty Of Engineering And Natural Sciences, Üsküdar University, Istanbul
5Medical Diagnostic Imaging Department, College Of Health Sciences, University Of Sharjah, Sharjah, United Arab Emirates
INTRODUCTION: This study aimed to evaluate the ability of 18Flourine-fluorodeoxyglucose (18F-FDG) positron emission tomography/computed tomography (PET/CT) radiomic features combined with machine learning methods to distinguish between benign and malignant solitary pulmonary nodule (SPN)s.
METHODS: Data of 48 patients with SPN detected on 18F-FDG PET/CT scan were evaluated retrospectively. Texture feature extraction from PET/CT images was performed using an open-source application (LIFEx). Deep learning and classical machine learning algorithms were utilized to build the models. Final diagnosis confirmed by pathology and follow-up was accepted as the reference. The performances of the models were assessed by the following metrics: sensitivity, specificity, accuracy, and area under the receiver operator characteristics curve (AUC).
RESULTS: The predictive models provided reasonable performance for the differential diagnosis of SPNs (AUCs ~0.81). The accuracy and AUC of the radiomic models were similar to visual interpretation. However, when compared to conventional evaluation, the sensitivity of the deep learning model (88% vs. 83%) and specificity of the classical learning model were higher (86% vs. 79%).
DISCUSSION AND CONCLUSION: Machine learning based on 18F-FDG PET/CT texture features can contribute to the conventional evaluation to distinguish between benign and malignant lung nodules.
Soliter pulmoner nodüllerin sınıflandırılmasında 18F-FDG PET/CT radyomik özelliklerine dayalı makine öğrenme modellerinin tanısal performansı
Yavuz Sami Salihoğlu1, Rabiye Uslu Erdemir2, Büşra Aydur Püren1, Semra Özdemir1, Caglar Uyulan3, Turker Tekin Erguzel4, Huseyin Ozan Tekin51Çanakkale Onsekiz Mart Üniversitesi, Tıp Fakültesi, Nükleer Tıp Anabilim Dalı, Çanakkale2Bülent Ecevit Üniversitesi, Tıp Fakültesi, Nükleer Tıp Anabilim Dalı, Zonguldak
3Katip Çelebi Üniversitesi, Mühendislik ve Mimarlık Fakültesi, Makine Mühendisliği Bölümü, İzmir
4Üsküdar Üniversitesi, Mühendislik Ve Doğa Bilimleri Fakültesi, Yazılım Mühendisliği Bölümü, İstanbul
5Sharjah Üniversitesi, Sağlık Bilimleri Fakültesi, Tıbbi Tanısal Görüntüleme Bölümü, Sharjah, Birleşik Arap Emirlikleri
GİRİŞ ve AMAÇ: Bu çalışmada, 18Flor-florodeoksiglukoz (18F-FDG) pozitron emisyon tomografisi/bilgisayarlı tomografi (PET/CT) radyomik özelliklerinin makine öğrenme yöntemleriyle birleştirilmesinin benign ve malign soliter pulmoner nodülleri (SPN) ayırt etme yeteneğini değerlendirmeyi amaçladık.
YÖNTEM ve GEREÇLER: 18F-FDG PET/BT taramasında SPN saptanan 48 hastanın verileri geriye dönük olarak değerlendirildi. PET/CT görüntülerinden doku özelliği çıkarımı, açık kaynaklı bir uygulama (LIFEx) kullanılarak yapıldı. Modelleri oluşturmak için derin öğrenme ve klasik makine öğrenme algoritmaları kullanıldı. Patoloji ve izlem ile kesinleşen tanı referans olarak kabul edildi. Modellerin performansları şu metriklerle değerlendirildi: duyarlılık, özgüllük, doğruluk ve alıcı operatör özellikleri eğrisi altındaki alan (EAA).
BULGULAR: Tahmine dayalı modeller, SPN'lerin (EAA'ler ~0.81) ayırıcı tanısı için makul performans sağladı. Radyomik modellerin doğruluğu ve EAA'sı görsel yorumlamaya benzerdi. Ancak klasik değerlendirme ile karşılaştırıldığında, derin öğrenme modelinin duyarlılığı (%88'e karşı %83) ve klasik öğrenme modelinin özgüllüğü (%86'ya karşı %79) daha yüksekti.
TARTIŞMA ve SONUÇ: 18F-FDG PET/CT doku özelliklerine dayalı makine öğrenimi, iyi huylu ve kötü huylu akciğer nodüllerini ayırt etmek için geleneksel değerlendirmeye katkıda bulunabilir.
Corresponding Author: Yavuz Sami Salihoğlu, Türkiye
| TOOLS |
 Print Download citation RIS EndNote BibTex Medlars Procite Reference Manager Share with email Share Send email to author
Similar articles Google Scholar |