AI Summary & Key Takeaways
AI InsightConclusion: Machine learning based on 18F-FDG PET/CT texture features can contribute to the conventional evaluation to distinguish between benign and malignant lung nodules
📌 3 Key Takeaways
Abstract
Objectives: This study aimed to evaluate the ability of 18fluorine-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 nodules (SPN). Methods: Data of 48 patients with SPN detected on18F-FDG PET/CT scan were evaluated retrospectively. The texture feature extraction from PET/ CT images was performed using an open-source application (LIFEx). Deep learning and classical machine learning algorithms were used to build the models. Final diagnosis was 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 characteristic 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 the visual interpretation. However, when compared to the conventional evaluation, the sensitivity of the deep learning model (88% vs. 83%) and specificity of the classic learning model were higher (86% vs. 79%). 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
Özet
Amaç: Bu çalışmada, 18flor-florodeoksiglukoz (18F-FDG) pozitron emisyon tomografisi/bilgisayarlı tomografi (PET/BT) radyomik özelliklerinin makine öğrenme yöntemleriyle birleştirilmesinin benign ve malign soliter pulmoner nodülleri (SPN) ayırt etme yeteneğini değerlendirmeyi amaçladık. Yöntem: 18F-FDG PET/BT taramasında SPN saptanan 48 hastanın verileri geriye dönük olarak değerlendirildi. PET/BT görüntülerinden doku özelliği çıkarımı, açık kaynaklı bir uygulama (LIFEx) kullanılarak yapıldı. Modelleri oluşturmak için derin öğrenme ve klasik makine öğrenme algoritmalarıkullanıldı. 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 ayırıcı tanısı için makul performans sağlandı (EAA’ler ~0,81). Radyomik modellerin doğruluğu ve EAA’sı görsel yorumlamaya benzerdi. Ancak geleneksel değerlendirme ile karşılaştırıldığında, derin öğrenme modelinin duyarlılığı (%88’e karşı %83) ve klasik öğrenme modelinin özgüllüğü (%86’ya karşı %79) daha yüksekti. Sonuç: 18F-FDG PET/BT doku özelliklerine dayalı makine öğrenimi, iyi huylu ve kötü huylu akciğer nodüllerini ayırt etmek için geleneksel değerlendirmeye katkıda bulunabili