The differentiating powers of radiomics: analyses of healthy and tumor tissue in 18F-FDG PET images of NSCLC

Abstract

Longkanker heeft het tweede hoogste sterftecijfer onder kankers en een toenemende incidentie van 2,4 miljoen tegen 2035. Dit vergroot de behoefte aan efficiënte diagnose en nauwkeurige prognose. Radiomics kan een hulpmiddel zijn om beide doelen te ondersteunen. Deze masterproef heeft als doel om gezond en longkankerweefsel te kunnen onderscheiden aan de hand van radiomics-data.

Een cohort van 49 patiënten werd gediagnosticeerd met NSCLC door 18F-FDG PET-beeldvorming voor een nauwkeurigere stadiëring, en onderging een lobectomie. De VOI van de longlaesie werd eerst gesegmenteerd in de ACCURATE tool. Vervolgens worden de eerder gesegmenteerde VOI's in deze tool exact vertaald naar de andere long, met enkel gezond longweefsel. Daarna werden radiomics-features geëxtraheerd uit beide VOIs, wat 504 features opleverde. Een gepaarde t-test vond 69 features die irrelevant zijn in het onderscheiden van de twee weefseltypes. Daarna werd een PCA uitgevoerd om clustering vast te stellen, ruis te verwijderen en relevante kenmerken te onthullen. Ten slotte zijn er discriminerende modellen gecreëerd om gezond en tumorweefsel te onderscheiden.

De PCA geeft gescheiden clustering van beide weefseltypen aan, waarbij de dataset met ruisonderdrukking van 269 features de beste resultaten laat zien. Een set van 30 features presteerde nog adequaat. De Fine- en Weighted KNN, en Bagged Trees en Subspace Discriminant ensemble modellen tonen een nauwkeurigheid van 98,3% bij het voorspellen van het weefseltype.