Modello di confronto e previsione della fusione per l'adenocarcinoma polmonare con pattern micropapillare e solido utilizzando funzionalità clinicoradiografiche, radiomiche e di deep learning

Jan 25, 2024

Rapporti scientifici volume 13, numero articolo: 9302 (2023) Citare questo articolo

Dettagli sulle metriche

Studiare se lo schema di combinazione del punteggio di deep learning (DL-score) e della radiomica può migliorare la diagnosi preoperatoria in presenza di pattern micropapillari/solidi (MPP/SOL) nell'adenocarcinoma polmonare (ADC). È stata arruolata una coorte retrospettiva di 514 ADC polmonari confermati patologicamente in 512 pazienti dopo l'intervento chirurgico. Il modello clinicoradiografico (modello 1) e il modello radiomico (modello 2) sono stati sviluppati con regressione logistica. Il modello di deep learning (modello 3) è stato costruito sulla base del punteggio di deep learning (DL-score). Il modello combinato (modello 4) era basato sul punteggio DL, sul punteggio R e sulle variabili clinico-radiografiche. Le prestazioni di questi modelli sono state valutate con l'area sotto la curva caratteristica operativa del ricevitore (AUC) e confrontate utilizzando il test di DeLong internamente ed esternamente. È stato tracciato il nomogramma di previsione e l'utilità clinica è stata rappresentata con la curva decisionale. Le prestazioni del modello 1, modello 2, modello 3 e modello 4 sono state supportate rispettivamente da AUC di 0,848, 0,896, 0,906, 0,921 nel set di validazione interna, quella di 0,700, 0,801, 0,730, 0,827 nel set di validazione esterna. Questi modelli presentavano una significatività statistica nella validazione interna (modello 4 vs modello 3, P = 0,016; modello 4 vs modello 1, P = 0,009, rispettivamente) e nella validazione esterna (modello 4 vs modello 2, P = 0,036; modello 4 vs modello 3 , P = 0,047; modello 4 vs modello 1, P = 0,016, rispettivamente). L'analisi della curva decisionale (DCA) ha dimostrato che il modello 4 che prevede l'ADC polmonare con struttura MPP/SOL sarebbe più vantaggioso del modello 1 e del modello 3 ma paragonabile al modello 2. Il modello combinato può migliorare la diagnosi preoperatoria in presenza di MPP/ Modello SOL nell'ADC polmonare nella pratica clinica.

Il cancro al polmone è la principale causa di mortalità per cancro in tutto il mondo e l’adenocarcinoma (ADC) rappresenta quasi la metà di tutti i tumori polmonari1. La resezione chirurgica, come la chirurgia con intento curativo, ha dimostrato di essere un'opzione terapeutica efficiente per l'ADC polmonare in stadio iniziale. Tuttavia, è stato osservato che i tumori con pattern micropapillare/solido (MPP/SOL), anche di piccola entità, presentano un rischio maggiore di recidiva postoperatoria o di metastasi2,3,4,5. Pertanto, la diagnosi preoperatoria dell'ADC polmonare con pattern MPP/SOL è fondamentale per lo sviluppo di uno schema terapeutico adeguato.

Sono state utilizzate diverse tecniche invasive e non invasive per la valutazione preoperatoria dell'ADC polmonare con pattern MPP/SOL. Un nuovo metodo invasivo6 a supporto dello schema preoperatorio è stato utilizzato nella pratica clinica per diagnosticare rapidamente l’ADC polmonare con pattern MPP/SOL. L'esame istologico preoperatorio mediante biopsia percutanea sotto guida TC non può rappresentare accuratamente l'intero tumore eterogeneo7. Numerosi studi hanno recentemente dimostrato che le tecniche radiomiche rappresentano approcci non invasivi per la previsione del cancro del polmone basati su modelli MPP/SOL tramite l'estrazione di caratteristiche quantitative ad alta dimensione dalla modalità di imaging TC8,9,10,11,12,13. Wang et al.10 hanno proposto un metodo che combina la radiomica e l'apprendimento profondo (RDL) per discriminare tra modelli micropapillari e solidi nell'ADC polmonare espressi come opacizzazione del vetro smerigliato. Il metodo combinato di radiomica e apprendimento profondo (RDL) ha sovraperformato il metodo radiomico o il solo apprendimento profondo, con una precisione di 0,913 nel set di dati di derivazione e 0,966 nel set di dati di convalida indipendente. Chen et al.11 hanno scoperto che combinando l'analisi quantitativa delle immagini con valori radiomici quasi puri, la presenza di componenti micropapillari e solidi poteva essere prevista con una sensibilità del 90,00 ± 0,00% e una specificità del 77,12 ± 2,67% per la coorte di derivazione, e con una sensibilità del 100% e Sensibilità e specificità del 95,35%, rispettivamente, per la coorte di validazione esterna. He et al.12 hanno sviluppato quattro modelli basati sulla radiomica per prevedere la presenza di pattern micropapillare o solido in 461 ADC polmonari, ottenendo prestazioni di previsione comparabili in termini di area sotto la curva (AUC) nella validazione interna rispetto alla validazione esterna utilizzando un modello lineare generalizzato (0,74 contro 0,70); Naïve Bayes, (0,75 contro 0,72); SVM (Support Vector Machine) (0,73 contro 0,73) e foresta casuale (0,72 contro 0,69), rispettivamente. Park et al.13 hanno sviluppato un approccio radiomico per differenziare i gruppi prognostici predominanti di adenocarcinoma polmonare basati sul sottotipo (gruppo 0: lepidico; gruppo 1: acinoso/papillare; gruppo 2: solido/micropapillare) utilizzando le caratteristiche radiomiche della TC, ottenendo AUC di 0,892 e 0,895 rispettivamente sui set di sviluppo e di convalida. Gao et al.14 hanno proposto un quadro di apprendimento semi-supervisionato che applica il metodo di apprendimento semi-supervisionato per rilevare l'adenocarcinoma micropapillare, il metodo di apprendimento semi-supervisionato raggiunge una precisione di 0,775 e un ricordo di 0,896, che è migliore dell'apprendimento supervisionato (una precisione di 0,762 e richiamo di 0,884). Chen et al.15 hanno studiato un nuovo modello che incorpora maschere di componenti di attenuazione solida con deep learning nella previsione dell'ADC polmonare con pattern MPP/SOL (i componenti di MPP/SOL > 1%) per ottimizzare la strategia chirurgica prima dell'intervento con AUC di 0,91 per la convalida incrociata e 0,93 per la convalida esterna, significativamente migliore rispetto ad altri 3 modelli indipendenti. Ciascuno degli studi precedenti ha tentato di classificare l'ADC polmonare con pattern istologici micropapillari e solidi utilizzando un set di dati unico e una speciale tecnologia non invasiva semplicemente con approcci radiomici o tecnologia combinata di radiomica e apprendimento profondo o approcci clinici per convalidare l'ADC polmonare con pattern MPP/SOL .