文摘
区分脂肪瘤和脂肪肉瘤是挑战传统MRI检查。不确定诊断的磁共振成像后,进一步侵入性程序(经皮活检或手术)通常是诊断所需的基于组织病理学检查。Radiomics和机器学习允许几种类型的病态遇到放射图像自动和可靠地区别。这项研究的目的是评估的贡献radiomics之间的分化和机器学习软组织脂肪瘤和脂肪肉瘤术前MRI和机器学习模型的评估诊断准确性而肌肉骨骼放射科医生。86年回顾性从volume-of-interest radiomics特性在t1旋转回声1.5和3.0特斯拉38软组织肿瘤的MRI(24脂肪瘤和14脂肪肉瘤,基于组织病理学诊断)。这些radiomics特性被用来训练机器学习分类器区分脂肪瘤和脂肪肉瘤。机器学习模型的泛化性能评估使用蒙特卡罗交叉验证和接受者操作特征曲线分析(ROC-AUC)。最后,机器学习模型的性能比较的准确性三个专门的肌肉骨骼放射科医生使用McNemar检验法测试。机器学习分类器准确区分脂肪瘤、脂肪肉瘤ROC-AUC为0.926。值得注意的是,它表现得比三个专门的肌肉骨骼放射科医生评估相同的病人,谁取得了ROC-AUC 0.685, 0.805和0.785。 Despite being developed on few cases, the trained machine-learning classifier accurately distinguishes lipoma and liposarcoma on preoperative MRI, with better performance than specialized musculoskeletal radiologists.
1。介绍
脂肪瘤和脂肪肉瘤是软组织间充质来源的肿瘤一样,经常在MRI检查(包含可见的脂肪1]。区分从脂肪肉瘤软组织脂肪瘤成像对病人管理至关重要,作为他们的随访,治疗和预后截然不同(从近100%为脂肪瘤5年生存60 - 70% (2脂肪肉瘤)。虽然一些辐射特性可以帮助识别脂肪肉瘤(如大小> 10厘米,厚分隔,球状和/或结节状nonadipose地区,或包含少于75%的脂肪病变3]),大量的良性脂肪瘤也成像外观模仿脂肪肉瘤。反过来也一样;高分化脂肪肉瘤(世界),占普通脂肪肉瘤的50% (4),也可以像普通脂肪瘤具有类似成像,使MRI上困难的区别。先前的研究表明,专门的肌肉骨骼(MSK)放射科医生可能区分脂肪瘤和脂肪肉瘤,只有69%的准确率磁共振成像(5]。不确定诊断的磁共振成像后,进一步侵入性程序(经皮活检或手术)通常是诊断所需的基于组织病理学检查。
Radiomics方法旨在提取大量的无创、定量,从放射图像和可再生的特点,从而使数据分析和预测6,7]。加上机器学习(ML)方法,这种技术允许几种类型的病态遇到放射图像自动和可靠地区别,可能增加病人的诊断准确性和允许更好的结果(8]。先前的研究显示,它允许使用radiomics软组织病变区别中级和高级肉瘤(9),可以预测组织病理学分级的软组织肉瘤术前MRI (10]。然而,这些研究没有调查radiomics是否可以帮助区分良性软组织脂肪瘤和脂肪肉瘤的准确性也radiomics相比专业MSK的放射科医生在这样的任务。
我们的研究的目的是培训和评估的能力预测模型基于radiomic特性加上毫升方法区分脂肪瘤和脂肪肉瘤术前MRI。我们也旨在比较这样radiomics模型的预测精度与专门的MSK的放射科医生。
2。材料和方法
研究伦理委员会批准的协议是我们的国家,放弃的要求获得知情同意。知情同意的要求是放弃,因为(1)研究回顾和(2)的MRI序列用在这里是常规磁共振成像协议的一部分,和当前的研究没有涉及到患者的临床管理的变化和额外的诊断过程。图1总结了我们研究的不同步骤。
(一)
(b)
(c)
(d)
我们提醒,非典型脂肪瘤的肿瘤细胞分化脂肪肉瘤是相同的形态和同义词karyotypically根据世界卫生组织的分类(2013)软组织和骨骼的肿瘤(4)和术语的选择是由外科医生和病理学家之间的相互理解,防止占用治疗。
2.1。主题
我们从机构数据库所有连续患者回顾性检索指我们对软组织的机构多学科委员会2015年1月至2017年12月,进一步识别那些接受了核磁共振检查,确诊为脂肪瘤或脂肪肉瘤的组织病理学(用作进一步分类过程的标准)。入选标准是(1)软组织损伤患者称为为专门的肌肉骨骼的放射学家调查机构,包括核磁共振成像协议研究与轴向t1旋转回声(T1-SE)序列小于1月前经皮活检或手术,(2)软组织脂肪瘤的诊断或脂肪肉瘤患者经组织病理学检查证实,和(3)患者无手术史或其他治疗受影响的地区。排除标准(1)核磁共振图像质量差或(2)在腹膜后软组织肿瘤空间(与不同的协议在我们调查机构)。因此,我们招收了38例称为放射性调查的软组织病变进一步诊断为脂肪瘤(N= 24)或脂肪肉瘤(N6 = 14日黏液样脂肪肉瘤2肉瘤脂肪肉瘤,1典型的梭形细胞脂肪瘤和5分化良好型的脂肪肉瘤)在随后的组织病理学检查。
2.2。患者的临床特征
的人口和辐射特征脂肪瘤和脂肪肉瘤组织总结表1。肿瘤定位总结表2。
2.3。MRI检查和病灶分割
所有包括患者接受了核磁共振在3.0特斯拉磁共振扫描仪3特斯拉阿奇沃MRI(荷兰飞利浦医疗保健),3特斯拉Skyra(德国西门子Healthineers Magnetom)协议包括轴向t1 SE图像对比度增强。这t1 SE图像获得了一片厚度不同2和5毫米之间根据覆盖面积和0.3和0.5毫米之间的一项决议(从2.2到5.5 mm间距片)。先生t1 SE图像的扫描参数如下:厚度2 - 5毫米(mm),重复时间(TR): 470 - 832毫秒(ms),和回波时间(TE): 7-27女士。会话还包括整个核磁共振t2加权液敏diffusion-weighted,和postcontrast脂肪饱和t1序列,作为常规临床协议的一部分,我们的机构。
软组织病变分割是由一位高级委员会认证的MSK的放射科医师(10年的经验在MSK board-specialization)在t1 SE图像,使用切片机3 d(4.8.1版)(11]。分割都是使用Fast-Grow-Cut执行算法实现3 d切片机,手动校正的分割错误。分割图像时,高级放射科医师的临床和病理诊断双目失明。最后,第二个放射科医师(2年经验的)做了相同的分割步骤的一个子集患者(N= 12,包括6个恶性病变),以确保我们的分类结果是强劲的分割过程。这个子集的分类性能的病人比较两国分割使用组内相关系数。
2.4。Radiomics特征提取
八十六radiomics特性提取分割软组织病变(见上图)使用PyRadiomics(1.3.0版本版本)12]。提取radiomics特征包括一阶特征、形状特征、灰度共生矩阵法应用灰度共生矩阵建立()特征,灰度大小带矩阵(GLSZM)特性,灰度运行长度矩阵(GLRLM)特性,相邻的灰色基调不同矩阵(NGTDM)特性,和灰度相关矩阵(GLDM)特性(补充表1提取的特征的细节)。
2.5。模型建设
我们的机器学习分类模型是基于支持向量机(SVM)分类器在所有以前86 radiomics特征提取和训练。我们的模型通常由一个标准化的第一步,旨在发布radiomic特性(均值和单位方差为0),紧随其后的是一个主成分分析(PCA),以减少过度拟合的风险和潜在的radiomic冗余特性,随着最后一个分类步骤使用SVM分类算法(内核=线性,惩罚参数C= 0.1)。支持向量机分类器训练与第一主成分(pc),解释方差的97.0%,抑制过度拟合的风险。分类过程重复2 10 pc,解释了99.8%,99.9%,和100%的方差,分别,没有修改的结果。作为我们的数据集包含更良性恶性病变,我们也重申了分类过程有不同的类权重占类不平衡((1.71:1)观察脂肪瘤的比例和liposacroma[2: 1]和[1:2]),没有修改的分类性能。最后,我们评估三个其他机器学习分类器的性能区别从liposacroma脂肪瘤,代替我们与朴素贝叶斯的支持向量机,线性判别分析,或逻辑回归算法,与所有的缺省值,然后使用相同的评价步骤(2.6节)。
2.6。模型评价
评估我们的预测机器学习模型的泛化性能,我们计算接收机操作曲线(ROC)与蒙特卡罗分析交叉验证(MCCV)方法,类似于史等建议。13]。蒙特卡罗随机交叉验证选择一部分的数据形成了训练和测试数据集。多次重复的过程(N= 325)来生成新的训练集和测试集:对于每一个迭代,脂肪瘤和脂肪肉瘤被随机选择进行验证,而剩下的36例被用于训练模型。这确保了标准化、降维、机器学习模型训练适合在训练数据,然后评估测试数据,为了防止数据泄漏。使用相同的MCCV方法,我们可以计算ROC曲线下的面积(AUC),总体精度、灵敏度、特异性和log-loss。最后,进行排列测试使用相同的MCCV方法,通过随机洗牌N次(N= 10 000)测试集的标签,通过计算预测精度。这个排列测试的目的是为了获取正确的预测分布在零假设下,同时为第一类误差控制。机器学习模型的分类和评估所有步骤进行了使用SciKit-learn包(0.19.1版)(14]。
2.7。对比Radiomics和放射科医生的分类
为了比较的性能我们radiomics方法与专门的放射科医师在MRI区分脂肪瘤、脂肪肉瘤,我们问三个MSK的放射科医生2 ( ),5 ( ),和10 ( )年的专业MSK的经验相关的认证后,放射科医生1、2和3分别分类情况下脂肪瘤或脂肪肉瘤基于整个MRI会话中所有患者可用(参见MRI序列部分2。2)。分类是基于(1)同质性/非均质性,(2)厚的隔膜,(3)扩散限制如果存在,(4)结节性增强。然后我们使用小动物——一张长有McNemar检验法测试比较radiomics模型与三个独立放射科医生和与共识由三个放射科医生(即。三个放射科医生,多数投票)。我们也计算分类协议放射科医生使用Kappa统计数据。
3所示。结果
3.1。Radiomics模型评价
radiomics模型演示了一个高水平的诊断准确性,为94.7%。敏感性和特异性分别为88.8%和100%,阳性和阴性预测价值的100%和78.5%。radiomics模型实现了AUC-ROC 0.926(图2和表3)。排列测试表明,我们的机器学习模型执行明显好于机会( ),证明偶然的风险特性和结果之间的相关性仍然很低。其他三个机器学习算法进一步评估了分类性能也明显优于机会( ),朴素贝叶斯分类器显示一个诊断的准确性为79.0%,AUC-ROC: 0.809,线性判别分析的准确性达89.5%,AUC-ROC 0.929,和逻辑回归分类器有一个诊断的准确性,AUC-ROC 0.812 73.7%。最后,我们观察到良好的组内相关病变的一个子集的分类的自动分割重复了第二个放射科医师(ICC = 0.70)。
3.2。Radiomics和放射科医生的比较
最后,我们比较的准确性个人放射科医生和共识的三个放射科医生一起radiomics模型识别的准确性脂肪瘤、脂肪肉瘤(表4和5)。我们发现radiomics模型表现明显比放射科医生1和2 ( )和趋势表现得更好比放射科医师3和之间的群体共识三个MSK的放射科医生( )。分类之间的协议三个放射科医生使用kappa统计数据是0.551。
图3是一个说明性的例子,一个典型的梭形细胞脂肪瘤、脂肪肉瘤的分类三个MSK的放射学家和脂肪瘤的ML算法。
(一)
(b)
(c)
图4是一个说明性的例子脂肪瘤归类为三个MSK的放射学家和脂肪肉瘤的脂肪瘤的ML算法。在这种情况下,ML算法优于MSK的放射科医师。
4所示。讨论
区分典型脂肪瘤和脂肪肉瘤是挑战传统MRI检查,和以前的研究表明,专业MSK的放射科医生只取得了69%的准确率等任务(5]。在这里,我们表明,radiomics加上机器学习方法比专业MSK的放射科医师执行区分脂肪瘤、脂肪肉瘤术前unenhanced t1加权磁共振成像,实现94.7%的诊断准确性。
基于形态序列,结节病灶的诊断并不容易,hyperintensity T2序列脂肪饱和,厚厚的隔膜,结节在T1缺乏特异性15]。间充质组件或脂肪坏死的焦点的存在会导致结节状外观。这种重叠16)解释说,尽管术前诊断的磁共振成像结果的有用性,immuno-histochemical测试如MDM2和应该考虑到在大多数情况下(17]。MDM2的存在(或缺乏),到收集的活检或切除这可能是技术上难以执行病变主要为深。此外,肿瘤活检目标一般一个站点,这可能是脂肪成分,生成采样错误(18]。
以可再生的,有些团队提出了一个分数根据大小区分脂肪瘤和脂肪肉瘤,深度,隔架构和对比度增强的平均分数为1.7脂肪瘤5.1相比,数字图书馆实现敏感性100%,特异性77% (2]。
脂肪瘤的分化脂肪肉瘤使用纹理和形状分析是由桑希尔et al。19]。他们使用多个序列(t1、t2加权t2加权脂肪抑制短时反转恢复(搅拌),和对比度增强序列)在1.5特斯拉。结构和形态特征提取t1序列实现了85%的准确性,敏感性为96%,特异性为91%而放射科医生。
使用t1 SE序列在这项研究依赖这个序列的鲁棒性。以前的出版物已经证明了t1序列使稳定的特性和纹理分析提取基于t1序列在不同的机器上是相似的相同类型的肿瘤(20.,21]。Juntu表明机器学习分类器的训练与纹理分析特征提取肿瘤在t1加权图像先生潜在有价值的工具,用于区分恶性和良性肿瘤,SVM(支持向量机)表现一样好或者比放射科医生22]。
这项研究有一些局限性。首先,包括病人的数量是有限的。尽管包括患者的相对较少,蒙特卡罗交叉验证(MCCV)证明机器学习训练radiomics特性实现比MSK的放射科医生更好的表演。蒙特卡罗交叉验证提供了更准确的估计的预测能力(23]。其次,radiomics的诊断性能并不与其他常见diffusion-weighted成像等先进的核磁共振序列表观扩散系数,或动态对比度增强。未来的研究使用multiparametric MRI应该调查添加值的序列(9]。最后,没有单独的军团被用来验证模型。
总之,我们表明,radiomics和机器学习允许好区分脂肪瘤、脂肪肉瘤术前MRI,与更好的性能比专业MSK的放射科医生,可能减少诊断的不确定性在这些临床情况下(8]。但是需要进一步的研究来确定radiomics可能有助于减少侵入性程序良性软组织脂肪瘤和系治疗患者的脂肪肉瘤,允许对两组病人更好的结果。
缩写
| ADC: | 表观扩散系数 |
| 人工智能: | 人工智能 |
| AUC: | 曲线下的面积 |
| 计算机辅助设计: | 计算辅助诊断 |
| 置信区间: | 置信区间 |
| DCE: | 动态对比度增强 |
| 酒后驾驶: | Diffusion-weighted成像 |
| 通用电气: | 梯度回波 |
| 核磁共振成像: | 磁共振成像 |
| RLNU: | 运行长度不均匀性 |
| 中华民国: | 接受者操作特性 |
| 投资回报: | 感兴趣的区域 |
| mm: | 毫米 |
| 女士: | 毫秒 |
| MSK的: | 肌肉骨骼 |
| 搅拌: | 短时反转恢复 |
| 支持向量机: | 支持向量机 |
| TE: | 回声的时间 |
| TR: | 重复的时间 |
| 数字图书馆: | 高分化脂肪肉瘤。 |
数据可用性
私人病人数据用于支持本研究的发现受到瑞士伦理委员会在研究涉及人类为了保护病人隐私。数据可从PD-Dr Sana Boudabbous博士和杰里米。他认为,日内瓦大学医院,邮件:(电子邮件保护)和(电子邮件保护),研究人员符合标准访问机密数据。
伦理批准
所有程序中执行本研究按照道德标准的制度和国家研究委员会和赫尔辛基宣言》(1964)。
信息披露
泽维尔Montet co-last作者。
的利益冲突
作者宣称没有利益冲突有关这篇文章的出版。
补充材料
表S1:提取radiomics特性。(补充材料)