Publication: Akciğer metastazlarında primer tümör kaynağının yapay zeka algoritmaları ile değerlendirilmesi / Evaluation of primary tumor origin in lung metastases with artificial intelligence algorithms
Loading...
Date
2021
Institution Authors
Authors
PEKER, ABDUSSELİM ADİL
Journal Title
Journal ISSN
Volume Title
Publisher
Metrikler
Abstract
Akciğerler metastatik lezyonların en sık görüldüğü yerlerden biri olup akciğer dışı malignitelerin %20-54'ünde görülmektedir. Akciğer metastazlarında tanı genellikle BT ile mümkün olup karakteristik olarak bilateral alt zon periferik ağırlıklı yerleşim gösteren multipl nodüler solid lezyonlar şeklinde görülmektedir. Akciğer metastazı ile seyreden malignitelerin ayrımında kaviteleşme, kalsifikasyon, hemoraji, ödem ve difüz miliyer patern gibi belirleyici özellikler faydalı olabilmektedir. Ancak olguların çoğunda BT görüntüleri üzerinden primer malignitenin kaynağına yönelik bir ayrım yapmak mümkün olmamaktadır. Yapay zeka ile görüntü işleme metotlarının yaygınlaşması son yıllarda radyoloji ve diğer bazı tıp branşlarında yeni gelişmelerin habercisi olmuştur. Radyoloji görüntülerinden şekil, kontur yada pikseller arası dansite ilişkileri gibi bilgiler elde etmemizi sağlayan radyomik görüntü özelliklerinin çıkarılması ile bu özelliklerin bir görüntüleme biyobelirteci gibi kullanılarak tanıda, hastalık evrelemesinde, tedavi yanıtının ve hastalık prognozunun belirlenmesi gibi işlevlerde kullanılması mümkün olmuştur. Çalışmamızda Toraks BT görüntülerinde akciğer metastazı saptanan olguların radyomik görüntüleme özellikleri ve farklı yapay zeka algoritmaları kullanılarak primer tümör kaynağını saptamadaki başarısını ölçmeyi amaçladık. Retrospektif olarak Ocak 2014-Aralık 2020 tarihleri arasında Toraks BT'sinde akciğer metastazı saptanan 165 olgu ve 482 metastatik lezyon çalışmaya dahil edildi. Olgular primer tümörlerin histopatolojik tanılarına göre kolorektal kanser, böbrek hücreli kanser, mesane kanseri, meme kanseri, pankreas kanseri, prostat kanseri ve sarkomatöz kanserler olarak 7 alt gruba ayrıldı. Toshiba Aquilion 64-dedektör (Toshiba Medical Systems, Otawara, Japonya) ve Siemens Somatom Definition Flash 128-dedektör (Siemens Healthcare, Erlangen, Almanya) BT cihazlarında intravenöz kontrast madde verilmesini takiben elde edilen görüntüler 3D Slicer (http://www.slicer.org, versiyon 4.11) adlı ücretsiz yazılım ve "Segmentation Wizard" adlı yarı-otomatik segmentasyon modülü kullanılarak işaretlendi. Ön işleme metodu olarak tümör olarak işaretlenmiş alanların gri piksel değeri 0-255 aralığına sabitlenmek suretiyle normalizasyon uygulandı. Daha sonra açık kaynak kodlu ve ücretsiz Python kütüphaneleri kullanılarak 34 adet birinci derece ve Haar benzeri özellik çıkarıldı. Eldeki verilerin %30'u model başarısını test etmek amacıyla ayrıldı. K-en yakın komşu (KNN), destek vektör makinesi (SVM), rastgele orman (RF) ve gradyan artırma (GB) modelleri eğitilerek en iyi sonuç veren modeller belirlendi. Model performansını değerlendirmek amacıyla doğruluk, kesinlik, duyarlılık ve F1 skoru kullanıldı. Test verileri üzerinde en fazla doğruluk oranı KNN modelinde pankreas ve prostat kanseri grubunda (sırasıyla 0.93 ve 0.92), SVM modelinde prostat, pankreas ve sarkomatöz kanserler grubunda (sırasıyla 0.93, 0.90 ve 0.90), GB modelinde pankreas ve sarkomatöz kanserler grubunda (0.94 ve 0.94), RF modelinde ise prostat ve pankreas kanseri grubunda (sırasıyla 0.93 ve 0.90) elde edildi. F1 skoru olarak değerlendirildiğinde en iyi ayrım KNN, SVM ve RF modellerinde sırasıyla 0.62, 0.66 ve 0.50 ile meme kanseri grubunda elde edildi. GB modelinde en yüksek F1 skoru 0.77 ile sarkomatöz kanserler grubunda elde edildi. Meme kanseri grubunda ise F1 skoru 0.74 olarak izlendi. Genel olarak bakıldığında 4 model arasından F1 skoru olarak en iyi değer meme ve sarkomatöz kanserler grubunda GB ve SVM modeli ile elde edildi. Radyomik görüntü özellikleri ve yapay zeka modelleri, akciğer metastazlarının alt tiplerinin belirlenmesinde girişimsel olmayan bir tanı aracı olarak potansiyel değere sahip olabilir. Bunun için özellikle geniş ve bağımsız veri setleri üzerinde ve standardize yöntemler kullanılarak elde edilecek sonuçlara dayanan çalışmalara ihtiyaç duyulmaktadır. Anahtar kelimeler: Yapay zeka, BT, akciğer metastazı, radyomik.
Description
Lungs are one of the most common site of metastasis in malignancies which can be involved in 20-54% of the extrapulmonary tumors. The diagnosis in lung metastases is usually established on computed tomography (CT) with predominantly lower zone bilateral multiple nodular solid lesions. Distinctive imaging features such as cavitation, calcification, hemorrhage, edema and diffuse miliary pattern can be beneficial in differentiating the malignancies that can present with lung metastases. However, in most of the cases, it is usually not possible to differentiate the primary malignancy on CT images. In recent years, image processing methods with artificial intelligence have gained recognition in radiology and other medical specialties. Radiomics has made it possible to capture information from radiological images that may indicate shape, contour or neighboring pixel relationships, which than act like a imaging biomarker that can be used to diagnose, grade, prognosticate the disease outcome and evaluate the response to treatment. In our study, we aimed to evaluate the performance of artificial intelligence models that are trained with radiomics imaging features, to differentiate the primary tumor origin in cases with lung metastases on chest CT images. We searched our hospital database from January 2014 to December 2020 retrospectively, and included 165 cases with 482 metastatic lesions in the study. Cases were arranged in 7 subgroups according to primary tumor origin that comprises colorectal cancers, renal cell carcinomas, bladder cancers, breast cancers, pancreas cancers, prostate cancers and sarcomatous cancers. Imaging studies were performed on Toshiba Aquilion 64-detector (Toshiba Medical Systems, Otawara, Japan) and Siemens Somatom Definition Flash 128-detector (Siemens Healthcare, Erlangen, Germany) CT scanners after intravenous contrast administration. Tumoral lesions were labeled with 3D Slicer (http://www.slicer.org, version 4.11) using the "Segmentation Wizard" semi-automatic segmentation module. Gray scale normalization was applied to tumoral regions as a preprocessing method. Thirty-four first-order and Haar-like features extracted from the images by using free and open-source Python software libraries. To test the model performance, 30% of the data were randomly splitted. K-nearest neighbor (KNN), support vector machine (SVM), random forest (RF) and gradient boosting (GB) models were trained, tested and best performing models were established. Accuracy, precision, recall and F1 score were used to evaluate the model performance. Best accuracy values on the test data were achieved with pancreas and prostate cancer subgroups on KNN model (0.93 and 0.92 respectively), prostate, pancreas and sarcomatous cancer subgroups on SVM model (0.93, 0.90 and 0.90 respectively), pancreas and sarcomatous cancer subgroups on GB model (0.94 and 0.94 respectively), prostate and pancreas cancer subgroups on RF model (0.93 and 0.90 respectively). Best classifier performance with regard to F1 score was achieved in the breast cancer subgroup on KNN, SVM and RF models with 0.62, 0.66 and 0.50 respectively. GB model demonstrated the highest F1 score with 0.77 on the sarcomatous cancer subgroup. GB model F1 score was 0.74 on the breast cancer subgroup. In total, the best F1 scores among the 4 models were achieved with GB and SVM models on the breast and sarcomatous cancer subgroups. Radiomics imaging features and artificial intelligence models can have a potential in differentiating the primary subgroups of lung metastases as a non-invasive diagnostic tool. To achieve that, more studies on large and independent datasets with standardized methods are required. Keywords: Artificial intelligence, CT, lung metastasis, radiomics.