Machine Learning-Based Computed Tomography Texture Analysis of Lytic Bone Lesions Needing Biopsy: A Preliminary Study

Biyopsi Gerektiren Litik Kemik Lezyonlarının Makine Öğrenme-Tabanlı Bilgisayarlı Tomografi Yapısal Analizi: Bir Ön Çalışma

Burak KOÇAK, Melis BAYKARA ULUSAN, Özgür KILIÇKESMEZ, İlhan Nahit MUTLU, Ece ATEŞ KUŞ

Abstract

Introduction: Currently, medical imaging has a limited capacityto achieve a final histopathological diagnosis of bone lesions.This study aimed to evaluate the use of machine learning (ML)-based computed tomography (CT) texture analysis to determinebenign and malignant behaviors of lytic bone lesions needinga biopsy.Methods: This retrospective study included 58 patients withlytic bone lesions. Lesion segmentation was independentlyperformed by two observers. After evaluating unenhancedCT images, a total of 744 texture features were obtained.Reproducibility analysis and feature selection were usedfor dimension reduction. A training data set with a nestedcross-validation approach was used for feature selection,optimization, and validation. Testing was executed on theremaining unseen data set. Classifications were done using fivebase ML classifiers and three voting strategies.Results: The best predictive performance was achieved usingthe k-nearest neighbors algorithm with six features. The areaunder the curve, accuracy, sensitivity, and specificity of the bestalgorithm were, respectively, 0.774%, 78.1%, 78%, and 78.1%for the validation data set; and 0.861, 82.4%, 82.4%, and 81.5%for the unseen test data set.Conclusion: The ML-based CT texture analysis may be apromising non-invasive technique for determining benign andmalignant behaviors of lytic bone lesions that need a biopsy.

Özet

Amaç: Günümüzde, sadece tıbbi görüntüleme ile kemik lezyonlarının kesin histopatolojik tanısını koymak mümkün olmamaktadır. Bu çalışmada, biyopsi gerektiren litik kemik lezyonlarının benign veya malign olduklarını belirleyebilmek için makine öğrenme (MÖ) tabanlı bilgisayarlı tomografi (BT) yapısal analizinin değerini ölçmeyi amaçladık. Yöntemler: Bu retrospektif çalışmaya litik kemik lezyonu olan 58 hasta dahil edilmiştir. Lezyon segmentasyonu bağımsız iki gözlemci tarafından gerçekleştirilmiştir. Toplamda, kontrastsız BT görüntülerinden 744 yapısal özellik çıkartılmıştır. Boyut küçültme, tekrarlanabilirlik analizi ve özellik seçimi ile yapılmıştır. Özellik seçimi, optimizasyon ve doğrulama, iç içe geçmiş çapraz doğrulama yaklaşımına sahip bir eğitim veri kümesi kullanılarak yapılmıştır. Geriye kalan görünmeyen veri seti üzerinde test yapılmıştır. Sınıflandırmalar, beş temel MÖ sınıflandırıcısı ve üç farklı oylama stratejisi kullanılarak yapılmıştır. Bulgular: En iyi tahmin performansı, altı özelliğe sahip k-nearest neighbors algoritması ile elde edilmiştir. En iyi algoritma değerinin eğri altındaki alan, doğruluk, duyarlılık ve özgüllük değerleri doğrulama veri seti için sırasıyla; %0,774, %78,1, %78 ve %78,1; görünmeyen test veri seti için ise sırasıyla; %0,861, %82,4, %82,4 ve %81,5 idi. Sonuç: MÖ tabanlı BT yapısal analizi, biyopsi gerektiren litik kemik lezyonlarının benign ve malign davranışlarını tahmin etmek için ümit verici, invazif olmayan bir teknik olabilir.