Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightYSA performansı, alıcı işletim karakteristik eğrisinin altındaki alan (AUC) olarak sunuldu ve AUC >0,85 ve p değeri
📌 3 Maddede Bu Makale
Özet
Amaç: Bu çalışma, T2 ağırlıklı manyetik rezonans görüntüleme (MRG) radyomikslerine dayalı olarak hipofiz adenomlarında hormon salgılama profillerini tespit etmek için sinir ağları geliştirmeyi amaçlamaktadır. Yöntemler: Bu retrospektif model geliştirme çalışması, üçüncü basamak bir merkezde Ocak 2015 ile Ocak 2020 arasında hipofiz adenomu olan hastalardan oluşan bir kohortu içermektedir (n=130). Ortalama hasta yaşı 46,49±13,69 yıldır ve 76/130’u (%58,46) kadındır. Üç gözlemci, koronal T2 ağırlıklı MRG’de lezyonları segmente etti ve Dice katsayısı kullanılarak gözlemciler arası uyum değerlendirildi. Prediktörler radyomiks parametreleri olarak belirlendi (n=851). Parametre seçimi, sınıf içi korelasyon katsayısına, katsayı varyansına, varyans inflasyon faktörüne ve LASSO regresyon analizine dayanmaktadır. Sonuçlar yedi farklı hormon salgılama profili olarak tanımlandı [non-fonksiyone hipofiz adenomu, büyüme hormonu salgılayan adenomlar, prolaktinomalar, adrenokortikotropik hormon salgılayan adenomlar, pluri-hormonal adenomlar (PLSA), folikül uyarıcı hormon ve luteinize edici hormon salgılayan adenomlar ile tiroid uyarıcı hormon salgılayan adenomlar]. Yedi hormon için yapay sinir ağları (YSA) ile çok değişkenli bir tanısal tahmin modeli geliştirildi. YSA performansı, alıcı işletim karakteristik eğrisinin altındaki alan (AUC) olarak sunuldu ve AUC >0,85 ve p değeri
Abstract
Objective: This study aims to develop neural networks to detect hormone secretion profiles in the pituitary adenomas based on T2 weighted magnetic resonance imaging (MRI) radiomics. Methods: This retrospective model-development study included a cohort of patients with pituitary adenomas (n=130) from January 2015 to January 2020 in one tertiary center. The mean age was 46.49±13.69 years, and 76/130 (58.46%) were women. Three observers segmented lesions on coronal T2 weighted MRI, and an interrater agreement was evaluated using the Dice coefficient. Predictors were determined as radiomics features (n=851). Feature selection was based on intraclass correlation coefficient, coefficient variance, variance inflation factor, and LASSO regression analysis. Outcomes were identified as 7 hormone secretion profiles [non- functioning pituitary adenoma, growth hormone-secreting adenomas, prolactinomas, adrenocorticotropic hormone-secreting adenomas, pluri-hormonal secreting adenomas (PHA), follicle-stimulating hormone and luteinizing hormone-secreting adenomas, and thyroid-stimulating hormone adenomas]. A multivariable diagnostic prediction model was developed with artificial neural networks (ANN) for 7 outcomes. ANN performance was presented as an area under the receiver operating characteristic curve (AUC) and accepted as successful if the AUC was >0.85 and p-value was