blog

Apr 29, 2023

Modelo de comparação e predição de fusão para adenocarcinoma de pulmão com padrão micropapilar e sólido usando recursos clinicoradiográficos, radiômicos e de aprendizado profundo

Relatórios Científicos volume 13,

Scientific Reports volume 13, Número do artigo: 9302 (2023) Citar este artigo

45 Acessos

Detalhes das métricas

Investigar se o esquema de combinação de pontuação de aprendizado profundo (DL-score) e radiômica pode melhorar o diagnóstico pré-operatório na presença de padrões micropapilares/sólidos (MPP/SOL) no adenocarcinoma pulmonar (ADC). Uma coorte retrospectiva de 514 ADC pulmonares patologicamente confirmados em 512 pacientes após a cirurgia foi incluída. O modelo clínico-radiográfico (modelo 1) e o modelo radiômico (modelo 2) foram desenvolvidos com regressão logística. O modelo de aprendizagem profunda (modelo 3) foi construído com base na pontuação de aprendizagem profunda (DL-score). O modelo combinado (modelo 4) foi baseado em DL-score e R-score e variáveis ​​clínico-radiográficas. O desempenho desses modelos foi avaliado com a área sob a curva característica de operação do receptor (AUC) e comparado por meio do teste de DeLong interna e externamente. O nomograma de previsão foi plotado e a utilidade clínica representada com a curva de decisão. O desempenho do modelo 1, modelo 2, modelo 3 e modelo 4 foi suportado por AUCs de 0,848, 0,896, 0,906, 0,921 no conjunto de validação interna, de 0,700, 0,801, 0,730, 0,827 no conjunto de validação externa, respectivamente. Esses modelos tiveram significância estatística na validação interna (modelo 4 vs modelo 3, P = 0,016; modelo 4 vs modelo 1, P = 0,009, respectivamente) e validação externa (modelo 4 vs modelo 2, P = 0,036; modelo 4 vs modelo 3 , P = 0,047; modelo 4 vs modelo 1, P = 0,016, respectivamente). A análise da curva de decisão (DCA) demonstrou que o modelo 4 que prevê o ADC pulmonar com estrutura MPP/SOL seria mais benéfico do que o modelo 1 e o modelo 3, mas comparável ao modelo 2. O modelo combinado pode melhorar o diagnóstico pré-operatório na presença de MPP/ Padrão SOL em ADC pulmonar na prática clínica.

O câncer de pulmão é a principal causa de mortalidade por câncer em todo o mundo, e o adenocarcinoma (ADC) é responsável por quase metade de todos os cânceres de pulmão1. A ressecção cirúrgica, como a cirurgia com intenção curativa, tem se mostrado uma opção terapêutica eficiente para ADC pulmonar em estágio inicial. Entretanto, tumores com padrão micropapilar/sólido (MPP/SOL), mesmo em pequena quantidade, têm sido observados como tendo maior risco de recidiva pós-operatória ou metástase2,3,4,5. Portanto, o diagnóstico pré-operatório de ADC pulmonar com padrão MPP/SOL é fundamental para o desenvolvimento de um esquema terapêutico adequado.

Uma variedade de técnicas invasivas e não invasivas têm sido usadas para a avaliação pré-operatória de ADC pulmonar com padrões MPP/SOL. Um novo método invasivo6 para apoiar o esquema pré-operatório tem sido usado na prática clínica para diagnosticar rapidamente ADC pulmonar com padrão MPP/SOL. O exame histológico pré-operatório usando biópsia percutânea guiada por TC não pode representar com precisão todo o tumor heterogêneo7. Numerosos estudos demonstraram recentemente que as técnicas de radiômica são abordagens não invasivas para prever o câncer de pulmão com base nos padrões MPP/SOL por meio da extração de recursos quantitativos de alta dimensão da modalidade de imagem de TC8,9,10,11,12,13. Wang et al.10 propuseram um método combinando radiômica e aprendizado profundo (RDL) para discriminar entre padrões micropapilares e sólidos no ADC pulmonar expresso como opacificação em vidro fosco. O método merged radimics and deep learning (RDL) superou o método radiômico ou deep learning sozinho, com uma precisão de 0,913 no conjunto de dados de derivação e 0,966 no conjunto de dados de validação independente. Chen et al.11 descobriram que combinando a análise de imagem quantitativa com valores radiômicos quase puros, a presença de componentes micropapilares e sólidos pode ser prevista com sensibilidade de 90,00 ± 0,00% e especificidade de 77,12 ± 2,67% para a coorte de derivação, e com 100% e Sensibilidade e especificidade de 95,35%, respectivamente, para a coorte de validação externa. He et al.12 desenvolveram quatro modelos baseados em radiômica para prever a presença de padrão micropapilar ou sólido em ADC de 461 pulmões, alcançando desempenho de previsão comparável em termos de área sob a curva (AUC) em validação interna versus validação externa usando um modelo linear generalizado (0,74 vs.0,70); Naïve Bayes, (0,75 vs.0,72); SVM (Support vector machine) (0,73 vs.0,73) e random forest (0,72 vs.0,69), respectivamente. Park et al.13 desenvolveram uma abordagem radiômica para diferenciar os grupos prognósticos predominantes baseados em subtipos de adenocarcinoma pulmonar (grupo 0: lepídico; grupo 1: acinar/papilar; grupo 2: sólido/micropapilar) usando recursos radiômicos de TC, alcançando AUCs de 0,892 e 0,895 nos conjuntos de desenvolvimento e validação, respectivamente. Gao et al.14 propuseram uma estrutura de aprendizado semi-supervisionado que aplica o método de aprendizado semi-supervisionado para detectar o adenocarcinoma micropapilar, o método de aprendizado semi-supervisionado atinge uma precisão de 0,775 e recordação de 0,896, o que é melhor do que o aprendizado supervisionado (uma precisão de 0,762 e recall de 0,884). Chen et al.15 investigaram um novo modelo de incorporação de máscaras de componente de atenuação sólida com aprendizado profundo na previsão de ADC pulmonar com padrões MPP/SOL (os componentes de MPP/SOL > 1%) para otimizar a estratégia cirúrgica pré-operatória com AUCs de 0,91 para a validação cruzada e 0,93 para validação externa, significativamente melhor do que outros 3 modelos independentes. Cada um dos estudos anteriores tentou classificar ADC pulmonar com padrões micropapilares e histológicos sólidos usando um conjunto de dados exclusivo e tecnologia não invasiva especial apenas com abordagens radiômicas ou tecnologia combinada de radiômica e aprendizado profundo ou abordagens clínicas para validar ADC pulmonar com padrões MPP/SOL .