The effect of different segmentation methods on the performance of prognostic models for early-stage non-small cell lung cancer

Abstract

Longkanker is wereldwijd de dodelijkste vorm van kanker. Voor een betere overleving is een vroege diagnose en nauwkeurige stadiëring essentieel. Radiomics, een methode om parameters uit medische beelden te halen, kan dit proces verbeteren door patronen te identificeren die voor het menselijk oog onzichtbaar zijn. Segmentatie bepaalt het geanalyseerde gebied, wat invloed kan hebben op de radiomic parameters. Deze masterproef onderzoekt of de keuze van de PET-segmentatiemethode de prestaties van prognostische modellen voor niet-kleincellige longkanker (NSCLC) beïnvloedt.

In totaal werden 121 patiënten met stadium I-IIIA NSCLC geselecteerd uit de NCT03736993-trial (ProLUNG-studie) en de NCT02024113-trial. PET/CT-beelden werden gesegmenteerd met drie methoden (SUV4, MV2 en een AI-gebaseerde methode LIONZ). Radiomic parameters werden geëxtraheerd uit alle segmentaties. Vooraf geselecteerde parameters werden gebruikt als input voor prognostische modellen gebaseerd op logistische regressie of random forest.

Modelprestaties werden vergeleken tussen de segmentatiemethoden en modellen met behulp van de area under the curve (AUC)-waarden van de receiver operating characteristic curves. Een Friedman test toonde geen statistisch significante verschillen tussen de verschillende segmentatiemethoden. Verder toonde het model met alleen TLG de hoogste globale betrouwbaarheid (AUC 0,76 ± 0,14), terwijl de meest optimale combinatie het model met TLG, SUVmax en DmaxBulk voor MV2-segmentatie is (AUC 0,77 ± 0,16).