임상방사선촬영, 방사선학 및 딥러닝 기능을 이용한 미세유두상 및 고형 패턴을 갖는 폐 선암종의 비교 및 ​​융합 예측 모델

Jan 25, 2024

Scientific Reports 13권, 기사 번호: 9302(2023) 이 기사 인용

측정항목 세부정보

폐 선암종(ADC)에서 미세유두/고형(MPP/SOL) 패턴이 있는 경우 딥 러닝 점수(DL-점수)와 방사선학의 조합 방식이 수술 전 진단을 향상시킬 수 있는지 여부를 조사합니다. 수술 후 512명의 환자에서 병리학적으로 폐 ADC가 확인된 514명의 후향적 코호트가 등록되었습니다. 임상 방사선학 모델(모델 1)과 방사선학 모델(모델 2)은 로지스틱 회귀 분석을 통해 개발되었습니다. 딥러닝 모델(모델 3)은 딥러닝 점수(DL-score)를 기반으로 구축되었습니다. 결합 모델(모델 4)은 DL-점수, R-점수 및 임상 방사선학적 변수를 기반으로 했습니다. 이들 모델의 성능은 수신기 작동 특성 곡선(AUC) 아래 영역으로 평가되었으며 DeLong의 테스트를 사용하여 내부 및 외부에서 비교되었습니다. 예측 노모그램을 플롯팅하고 임상적 유용성을 결정 곡선으로 묘사했습니다. 모델 1, 모델 2, 모델 3 및 모델 4의 성능은 내부 검증 세트에서 0.848, 0.896, 0.906, 0.921의 AUC, 외부 검증 세트에서 각각 0.700, 0.801, 0.730, 0.827의 AUC로 지원되었습니다. 이러한 모델은 내부 검증(모델 4 대 모델 3, P = 0.016, 모델 4 대 모델 1, P = 0.009) 및 외부 검증(모델 4 대 모델 2, P = 0.036, 모델 4 대 모델 3)에서 통계적 유의성을 나타냈습니다. , P = 0.047, 모델 4 대 모델 1, 각각 P = 0.016). 결정 곡선 분석(DCA)은 MPP/SOL 구조를 갖는 폐 ADC를 예측하는 모델 4가 모델 1 및 모델 3보다 더 유익하지만 모델 2와 비교할 수 있음을 보여주었습니다. 결합된 모델은 MPP/SOL 구조가 있는 경우 수술 전 진단을 향상시킬 수 있습니다. 임상 실습에서 폐 ADC의 SOL 패턴.

폐암은 전 세계적으로 암 사망의 주요 원인이며, 선암종(ADC)은 전체 폐암의 거의 절반을 차지합니다1. 완치 목적 수술과 같은 외과적 절제는 초기 단계의 폐 ADC에 대한 효율적인 치료 옵션인 것으로 나타났습니다. 그러나 미세유두상/고형(MPP/SOL) 패턴을 갖는 종양은 소량이라도 수술 후 재발 또는 전이 위험이 증가하는 것으로 관찰되었습니다2,3,4,5. 따라서 MPP/SOL 패턴을 이용한 폐 ADC의 수술 전 진단은 적절한 치료 계획을 개발하는 데 중요합니다.

MPP/SOL 패턴을 사용하여 폐 ADC의 수술 전 평가를 위해 다양한 침습적 및 비침습적 기술이 사용되었습니다. MPP/SOL 패턴으로 폐 ADC를 신속하게 진단하기 위해 수술 전 계획을 지원하는 새로운 침습적 방법6이 임상 실습에 사용되었습니다. CT 유도 경피 생검을 사용한 수술 전 조직학적 검사는 전체 이종 종양을 정확하게 나타낼 수 없습니다7. 최근 수많은 연구에서 방사성학 기술이 CT 영상 기법8,9,10,11,12,13에서 고차원 정량적 특징 추출을 통해 MPP/SOL 패턴을 기반으로 폐암을 예측하기 위한 비침습적 접근 방식임을 입증했습니다. Wang 등10은 간유리 불투명화로 표현되는 폐 ADC에서 미세유두 패턴과 고체 패턴을 구별하기 위해 방사성과 딥러닝(RDL)을 결합한 방법을 제안했습니다. 병합된 방사성학 및 딥러닝(RDL) 방법은 파생 데이터세트에서 0.913, 독립 검증 데이터세트에서 0.966의 정확도로 방사성학 방법 또는 딥러닝 단독보다 성능이 뛰어났습니다. Chen et al.11은 정량적 이미지 분석을 거의 순수한 방사성 값과 결합하여 미세 유두 및 고체 구성 요소의 존재를 파생 코호트에 대해 90.00 ± 0.00% 민감도와 77.12 ± 2.67% 특이도로 예측할 수 있음을 발견했습니다. 외부 검증 코호트에 대한 민감도와 특이도는 각각 95.35%입니다. He 등12은 461 폐 ADC에서 미세유두 또는 고체 패턴의 존재를 예측하기 위해 4개의 방사성 기반 모델을 개발하여 일반화된 선형 모델을 사용하여 내부 검증과 외부 검증에서 AUC(곡선 아래 면적) 측면에서 비슷한 예측 성능을 달성했습니다. (0.74 대 0.70); 나이브 베이즈(0.75 대 0.72); SVM(지원 벡터 머신)(0.73 대 0.73) 및 랜덤 포레스트(0.72 대 0.69). Park 등13은 CT 방사선학 특징을 사용하여 폐 선암종의 우세한 아형 기반 예후 그룹(그룹 0: lepidic; 그룹 1: acinar/papillary; 그룹 2: 고형/micropapillary)을 구별하기 위한 방사선학 접근법을 개발하여 0.892의 AUC를 달성했습니다. 개발 및 검증 세트에서는 각각 0.895입니다. Gao 등14은 미세유두선암을 검출하기 위해 준지도 학습 방법을 적용한 준지도 학습 프레임워크를 제안했는데, 준지도 학습 방법은 0.775의 정밀도와 0.896의 재현율을 달성하여 지도 학습보다 우수합니다. 0.762, 재현율 0.884). Chen 등15은 MPP/SOL 패턴(MPP/SOL의 구성 요소 > 1%)을 사용하여 폐 ADC를 예측할 때 고체 감쇠 구성 요소 마스크와 딥 러닝을 통합하는 새로운 모델을 조사하여 수술 전 AUC 0.91로 수술 전략을 최적화했습니다. 교차 검증, 외부 검증의 경우 0.93으로 다른 3개의 독립 모델보다 훨씬 좋습니다. 이전의 각 연구에서는 MPP/SOL 패턴이 있는 폐 ADC를 검증하기 위해 방사성학 접근법 또는 방사선학과 딥 러닝의 결합 기술 또는 임상 접근법만으로 고유한 데이터 세트와 특수 비침습적 기술을 사용하여 미세유두상 및 고형 조직학적 패턴으로 폐 ADC를 분류하려고 시도했습니다. .