Modèle de comparaison et de prédiction de fusion pour l'adénocarcinome pulmonaire avec un motif micropapillaire et solide utilisant des fonctions clinicoradiographiques, radiomiques et d'apprentissage en profondeur

Jan 25, 2024

Rapports scientifiques volume 13, Numéro d'article : 9302 (2023) Citer cet article

Détails des métriques

Étudier si le schéma combiné du score d'apprentissage profond (score DL) et de la radiomique peut améliorer le diagnostic préopératoire en présence de modèles micropapillaires/solides (MPP/SOL) dans l'adénocarcinome pulmonaire (ADC). Une cohorte rétrospective de 514 ADC pulmonaires pathologiquement confirmés chez 512 patients après chirurgie a été enrôlée. Le modèle clinicoradiographique (modèle 1) et le modèle radiomique (modèle 2) ont été développés avec régression logistique. Le modèle d'apprentissage profond (modèle 3) a été construit sur la base du score d'apprentissage profond (DL-score). Le modèle combiné (modèle 4) était basé sur le score DL et le score R et sur des variables clinicoradiographiques. Les performances de ces modèles ont été évaluées avec l'aire sous la courbe caractéristique de fonctionnement du récepteur (AUC) et comparées à l'aide du test de DeLong en interne et en externe. Le nomogramme de prédiction a été tracé et l'utilité clinique représentée avec une courbe de décision. Les performances du modèle 1, du modèle 2, du modèle 3 et du modèle 4 ont été soutenues par des ASC de 0,848, 0,896, 0,906, 0,921 dans l'ensemble de validation interne, celles de 0,700, 0,801, 0,730, 0,827 dans l'ensemble de validation externe, respectivement. Ces modèles existaient une signification statistique dans la validation interne (modèle 4 vs modèle 3, P = 0,016 ; modèle 4 vs modèle 1, P = 0,009, respectivement) et la validation externe (modèle 4 vs modèle 2, P = 0,036 ; modèle 4 vs modèle 3 , P = 0,047 ; modèle 4 vs modèle 1, P = 0,016, respectivement). L'analyse de la courbe de décision (DCA) a démontré que le modèle 4 prédisant l'ADC pulmonaire avec structure MPP/SOL serait plus bénéfique que le modèle 1 et le modèle 3 mais comparable au modèle 2. Le modèle combiné peut améliorer le diagnostic préopératoire en présence de MPP/SOL. Modèle SOL dans l'ADC pulmonaire en pratique clinique.

Le cancer du poumon est la principale cause de mortalité par cancer dans le monde et l'adénocarcinome (ADC) représente près de la moitié de tous les cancers du poumon1. La résection chirurgicale, telle que la chirurgie à visée curative, s'est avérée être une option thérapeutique efficace pour l'ADC pulmonaire à un stade précoce. Cependant, les tumeurs avec des motifs micropapillaires/solides (MPP/SOL), même avec une petite quantité, ont été observées comme ayant un risque accru de récidive postopératoire ou de métastases2,3,4,5. Par conséquent, le diagnostic préopératoire de l'ADC pulmonaire avec le modèle MPP/SOL est essentiel pour développer un schéma thérapeutique approprié.

Une variété de techniques invasives et non invasives ont été utilisées pour l'évaluation préopératoire de l'ADC pulmonaire avec des modèles MPP/SOL. Une nouvelle méthode invasive6 pour soutenir le schéma préopératoire a été utilisée dans la pratique clinique pour diagnostiquer rapidement l'ADC pulmonaire avec un schéma MPP/SOL. L'examen histologique préopératoire par biopsie percutanée sous scanner ne permet pas de représenter avec précision l'ensemble de la tumeur hétérogène7. De nombreuses études ont récemment démontré que les techniques de radiomique sont des approches non invasives pour prédire le cancer du poumon sur la base des modèles MPP/SOL via l'extraction de caractéristiques quantitatives de haute dimension à partir de la modalité d'imagerie CT8,9,10,11,12,13. Wang et al.10 ont proposé une méthode combinant la radiomique et l'apprentissage en profondeur (RDL) pour discriminer les modèles micropapillaires et solides dans l'ADC pulmonaire exprimés en opacification en verre dépoli. La méthode fusionnée de radiomique et d'apprentissage en profondeur (RDL) a surpassé la méthode de radiomique ou l'apprentissage en profondeur seul, avec une précision de 0,913 dans l'ensemble de données de dérivation et de 0,966 dans l'ensemble de données de validation indépendante. Chen et al.11 ont découvert qu'en combinant l'analyse d'images quantitatives avec des valeurs radiomiques presque pures, la présence de composants micropapillaires et solides pouvait être prédite avec une sensibilité de 90,00 ± 0,00 % et une spécificité de 77,12 ± 2,67 % pour la cohorte de dérivation, et avec 100 % et Sensibilité et spécificité de 95,35 %, respectivement, pour la cohorte de validation externe. He et al.12 ont développé quatre modèles basés sur la radiomique pour prédire la présence d'un motif micropapillaire ou solide dans 461 ADC pulmonaires, obtenant des performances de prédiction comparables en termes d'aire sous la courbe (AUC) dans la validation interne par rapport à la validation externe à l'aide d'un modèle linéaire généralisé (0,74 contre 0,70) ; Naïf Bayes, (0,75 contre 0,72); SVM (Support vector machine) (0,73 contre 0,73) et forêt aléatoire (0,72 contre 0,69), respectivement. Park et al.13 ont développé une approche radiomique pour différencier les groupes pronostiques prédominants d'adénocarcinome pulmonaire basés sur le sous-type (groupe 0 : lépidique ; groupe 1 : acineux/papillaire ; groupe 2 : solide/micropapillaire) à l'aide des caractéristiques radiomiques CT, atteignant des ASC de 0,892 et 0,895 sur les ensembles de développement et de validation, respectivement. Gao et al.14 ont proposé un cadre d'apprentissage semi-supervisé qui applique la méthode d'apprentissage semi-supervisé pour détecter l'adénocarcinome micropapillaire, la méthode d'apprentissage semi-supervisé atteint une précision de 0,775 et un rappel de 0,896, ce qui est meilleur que l'apprentissage supervisé (une précision de 0,762 et rappel de 0,884). Chen et al.15 ont étudié un nouveau modèle d'incorporation de masques de composants d'atténuation solides avec apprentissage en profondeur dans la prédiction de l'ADC pulmonaire avec des modèles MPP/SOL (les composants de MPP/SOL > 1 %) pour optimiser la stratégie chirurgicale en préopératoire avec des AUC de 0,91 pour la validation croisée, et 0,93 pour la validation externe, significativement mieux que 3 autres modèles indépendants. Chacune des études précédentes a tenté de classer l'ADC pulmonaire avec des modèles histologiques micropapillaires et solides en utilisant un ensemble de données unique et une technologie non invasive spéciale simplement avec les approches radiomiques ou la technologie combinée de la radiomique et de l'apprentissage en profondeur ou des approches cliniques pour valider l'ADC pulmonaire avec des modèles MPP/SOL .

Xia et Hirsch et al.16,17 ont suggéré que des recherches supplémentaires soient menées sur la combinaison de données supplémentaires, telles que des données cliniques, pour améliorer les performances du schéma fusionné dans la prédiction du risque d'invasivité de l'adénocarcinome pulmonaire de stade I. Sur la base de leur analyse, nous avons émis l'hypothèse d'un nouveau schéma combinant des caractéristiques radiomiques dérivées par ordinateur et un apprentissage en profondeur avec des variables clinicoradiographiques pour le diagnostic préopératoire de l'ADC pulmonaire avec des modèles micropapillaires et solides.

Cette étude multicohorte respective a été approuvée par le comité d'examen institutionnel du premier hôpital affilié de l'université médicale de Nanjing (numéro de permis : 2021-SRFA-238) et le comité d'examen institutionnel de l'hôpital populaire affilié Huaian NO.1 de l'université médicale de Nanjing (permis Numéro : 2022-0451-01), respectivement. Et l'exigence d'un consentement éclairé écrit a été levée parce que toutes les sources de données appliquées (démographie, dossiers de laboratoire et scanner thoracique) étaient auparavant disponibles et analysées de manière anonyme et anonymisées à l'aide de l'identifiant de l'étude avant lecture par les radiologues, développement du modèle, en interne et en externe validation. La nécessité d'obtenir le consentement éclairé de tous les participants a été levée par le comité d'examen institutionnel du premier hôpital affilié de l'université médicale de Nanjing et le comité d'examen institutionnel de l'hôpital populaire affilié Huaian NO.1 de l'université médicale de Nanjing. Toutes les méthodes ont été réalisées conformément aux directives et réglementations en vigueur.

L'étude a passé en revue 2567 cas ayant subi une tomodensitométrie pour une évaluation préopératoire d'avril 2016 à octobre 2019. Tous les cas d'ADC pulmonaire ont été histologiquement prouvés et enregistrés dans notre base de données hospitalière. Les critères d'inclusion étaient les suivants : (a) aucun antécédent d'autre cancer ; (b) aucun antécédent de radiothérapie ou de chimiothérapie avant la chirurgie thoracique ; (c) pathologiquement confirmé comme ADC et sans aucun sous-type variant (adénocarcinome colloïde, mucineux, mortel, etc.); (d) les images CT avec une qualité de section mince (1,5/1,0 mm) étaient adéquates pour l'analyse ; (e) les données cliniques et d'imagerie pour cette étude ont été obtenues à partir de la base de données des dossiers médicaux ; (f) les patients atteints de tumeur n'étaient pas au-delà du stade III A. Les patients ont été exclus pour l'une des raisons suivantes : (a) pas de tomodensitométrie préopératoire dans notre établissement (n = 154) ; (b) métastase distale (n = 4) ; (c) antécédents de radiothérapie et de chimiothérapie avant l'examen (n = 19) ; (d) qualité d'imagerie insatisfaisante due à un artefact respiratoire lors de l'examen (n = 60); (e) données d'examen de laboratoire insuffisantes (n = 296), (f) adénocarcinome mini-invasif (n = 648).

Enfin, 514 lésions pulmonaires ont été enregistrées chez 512 patients (hommes : femmes, 228 : 284 ; âge moyen ± écart type SD, 59,3 ± 10,1 ans ; intervalle 26–82 ans) dans notre établissement. Parmi celles-ci, deux lésions ont été détectées chez 2 et une chez 510 patients. La cohorte de dérivation comptait 360 cas, dont 134 MPP/SOL positifs et 226 MPP/SOL négatifs. De plus, 154 cas désignés comme cohorte de validation interne indépendante étaient composés de 57 MPP/SOL positifs et 97 MPP/SOL négatifs. Nous avons tenté de rechercher des données pour validation externe sur l'ensemble de données publiques collectées dans TCIA (https://www.cancerimagingarchive.net/), mais principalement en raison du manque de résultats pathologiques concrets. Par conséquent, nous avons trouvé 101 autres cas (hommes : femmes, 48 :53 ; âge moyen, 60,7 ± 9,4 ans ; intervalle de 31 à 75 ans) provenant d'un autre hôpital en tant que cohorte de validation externe. Le flux de travail de notre étude est illustré à la Fig. 1.

Le flux de travail de notre étude montre la voie d'inclusion et d'exclusion des patients et l'organigramme des modèles proposés.

Le pathologiste (auteur n° 7, avec 6 ans d'expérience dans le diagnostic pathologique) a évalué tous les échantillons selon la classification actuelle des tumeurs pulmonaires de l'Organisation mondiale de la santé (OMS) de 2015 telle qu'annoncée par l'IASLC (Association internationale pour l'étude du cancer du poumon)/ATS (American Thoracic Society)/ERS (European Respiratory Society). L'évaluation semi-quantitative de cinq modèles histologiques d'ADC pulmonaire est basée sur le pourcentage de chaque composant de diapositives tumorales par incréments de 5 %. Selon la description du schéma de croissance histologique et la classification histologique4,18, les cas inscrits sont répartis comme suit : MPP/SOL Lung ADC avec schéma lépidique, schéma acineux ou schéma papillaire est inclus dans le groupe d'absence (MPP/SOL−, n = 323). L'ADC pulmonaire MPP/SOL avec motif micropapillaire ou/et motif solide est inclus dans le groupe positif (MPP/SOL+, n = 191). Les lésions ont été classées au hasard en ensemble de dérivation avec MPP/SOL positif (n = 134) et sans MPP/SOL (n = 226). Le total de 154 lésions (MPP/SOL positif/négatif : 57/97) de notre hôpital a été affecté à l'ensemble de validation interne. 101 autres cas (MPP/SOL positifs/négatifs : 41/60) provenant d'un autre hôpital ont été identifiés comme ensemble de validation externe.

L'acquisition de l'imagerie a été réalisée dans notre établissement à l'aide d'un scanner CT non amélioré avec un détecteur à 64 coupes (SIEMENS SOMATOM Force ; SIEMENS Definition AS+ ; GE MEDICAL SYSTEMS Revolution) et un détecteur à 128 coupes (Philips iCT 256). Tous les tomodensitogrammes ont été réalisés en décubitus dorsal de l'entrée thoracique à la marge du rein. Tous les protocoles d'image partageaient les paramètres suivants : épaisseur de tranche, 1,5 mm ; tension du tube, 100–120 kVp ; courant de tube, 80–300 mAs ; taille de matrice, 256 × 256 ; et champ de vision, 252 × 252 mm, taille de voxel, 1 × 1 × 1 mm. Un algorithme à haute résolution a été utilisé pour reconstruire en continu toutes les images avec une section mince d'intervalles de 1,5/1,0 mm. Les cas d'une autre institution inscrite ont été scannés par un scanner SIEMENS SOMATOM Force à 64 rangées avec les paramètres de scanner suivants : tension du tube 100-120 kV, courant du tube 60-100 mA. Matrice, 256 × 256 ; et champ de vision, 252 × 252 mm. Toutes les images avaient des fenêtres pulmonaires (largeur, 1500 HU, niveau, 600 HU) et des fenêtres médiastinales (largeur, 350 HU, niveau, 50 HU).

Les images CT ont été évaluées indépendamment par deux radiologues (auteur #1 et auteur #4, 3 et 8 ans d'expérience dans le diagnostic d'imagerie thoracique, respectivement). Images CT haute résolution (HRCT) (qualitatives et quantitatives) utilisées pour évaluer les caractéristiques morphologiques. Les caractéristiques morphologiques telles que le rapport maximum diamètre tumoral consolidation/diamètre tumoral (C/T) calculé par double décodage, densité (verre dépoli pur, verre dépoli mixte ou solide), marge (lobulation et spiculation : absente ou présente), poumon-tumeur interface (claire ou floue); manifestation interne (cavité, calcification et signe en nid d'abeille : absent ou présent), étiquette et indentation pleurale (absente ou présente)19, modification des vaisseaux (absente ou présente), relation à la bronche (absente ou présente). Le terme "changement dans le vaisseau" a été défini comme la formation d'une collection de vaisseaux sanguins adjacents à la tumeur, et la reconstruction multiplanaire (MPR) a été utilisée pour déterminer si le changement était présent. Selon Qiang et al.20, les critères d'évaluation de la relation tumeur-bronche ont été modifiés pour inclure l'évaluation visuelle d'une manifestation positive de la tumeur-bronche en tant qu'extension de la bronche dans la lésion avec une lumière conique et une interruption, ou une obstruction abrupte de la bronche sur la marge de la lésion. Les données cliniques concernent le sexe, l'âge, les antécédents de tabagisme, les antécédents familiaux et les biomarqueurs sériques, y compris la valeur de l'antigène carcinoembryonnaire (CEA), la valeur de l'énolase neuro-spécifique (NSE), la valeur du fragment de cytokératine 21-1 (CYFRA21-1), qui sont enregistrées et catégorisées selon le niveau de 4,70 ng/ml, 16,30 ng/ml et 3,30 ng/ml, respectivement. Les valeurs Kappa et les coefficients de corrélation intra-classe (CCI) ont été calculés pour évaluer la cohérence des évaluations radiologiques des deux auteurs.

Des analyses univariées ont été utilisées pour déterminer les différences entre les groupes MPP/SOL négatifs et positifs sur l'ensemble de dérivation. L'analyse de régression logistique a été adoptée pour construire le modèle clinicoradiographique.

Le modèle radiomique a été construit en quatre étapes, à savoir la segmentation des volumes d'intérêt (VOI), l'extraction des caractéristiques radiomiques, la sélection des caractéristiques et l'établissement et l'évaluation de la signature radiomique. Les VOI englobent toutes les informations sur la tumeur. Le contourage semi-automatique a été réalisé sur des images CT en coupe mince (1,0/1,5 mm) avec un logiciel interne (MULTILABEL ; ECNU, Shanghai, Chine). L'identification semi-automatique du VOI des lésions repose sur les radiologues pour localiser la lésion, puis a été mise en œuvre avec une coopération d'un algorithme de seuillage de segmentation semi-automatique et une approche d'ajustement manuel de la délimitation sur chaque section des tomodensitogrammes, contenant deux étapes principales tel que rapporté dans les littératures antérieures15. La segmentation initiale est suivie de l'étape de retrait du vaisseau environnant, des bronches et de la calcification. Les radiologues avec 3 ans d'expérience en diagnostic thoracique (auteurs n° 1) et un autre avec 8 ans d'expérience (auteur n° 4) en aveugle au plan expérimental ont examiné l'image et annoté les VOI en évitant la nécrose, la calcification, la structure vasculaire, etc.8. Une fois que la véritable limite tumorale ne peut être déduite précisément de l'image, un autre radiologue avec 10 ans d'expérience dans l'interprétation du scanner thoracique a revu et confirmé la délimitation de la lésion. Les désaccords seraient résolus par l'enquête et l'évaluation complète de l'observateur. Pour assurer la stabilité de l'extraction des caractéristiques radiomiques, le VOI de chaque lésion a été tracé deux fois par chacun des deux radiologues indépendants. Les radiologues (auteur n ° 1) ont annoté les VOI de 60 cas sélectionnés au hasard dans l'étude après 3 mois. Les coefficients de corrélation intra- et inter-classes ont été calculés après la segmentation. Les informations de segmentation VOI ont été converties au format NII, suivies de l'extraction des fonctionnalités à l'aide de FeAture Explorer Pro (FAE Pro, V0. 3.7, (https://github.com/salan668/FAE.git) sur Python (3.7. 6) 21. Le processus de clip d'image fait que les valeurs de pixel inférieures à 5 % et supérieures à 95 % sont contrôlées à 5 % et 95 % respectivement pour supprimer l'influence des points de pixel extrêmes. Les caractéristiques radiomiques extraites ont été normalisées selon une norme unité en utilisant l'équation suivante : f(x) = 1000 ∗ (χ − µχ)/σχ, où µχ et σχ désignent respectivement la moyenne et l'écart type de l'intensité de l'image Description détaillée des paramètres initiaux utilisés dans FeAture Explorer Pro pour le processus d'extraction de caractéristiques est fourni dans l'annexe supplémentaire 1. Les types d'images incluent les catégories d'images originales et d'extraits. Finalement, sur 107 caractéristiques radiomiques extraites de la région tridimensionnelle, elles étaient composées de trois types, c'est-à-dire des caractéristiques de forme (nombre de caractéristiques [ m] = 18), les caractéristiques de premier ordre (m = 14) et les caractéristiques de texture (m = 75). Les caractéristiques de texture comprennent 24 caractéristiques de matrice de cooccurrence de niveau Gy (GLCM), 16 caractéristiques de matrice de longueur de course de niveau Gy (GLRLM), 16 caractéristiques de matrice de zone de taille de niveau Gy (GLSZM), 5 caractéristiques de matrice de différence de tonalité de gris de voisinage (NGTDM), 14 Gy fonctionnalités de matrice de dépendance de niveau (GLDM). Les coefficients de corrélation intra-classe (ICC) des caractéristiques ont été calculés pour évaluer la reproductibilité inter-observateur et les caractéristiques avec ICC > 0,80 ont été enrôlées dans une analyse ultérieure. Les ensembles de dérivation et de validation interne sont divisés dans un rapport de 7:3. Nous sur-échantillonnons en répétant des cas aléatoires pour équilibrer les échantillons de micropapillaires et solides négatifs et positifs. La norme L2 a été calculée et divisée par chaque vecteur de caractéristique. Le vecteur caractéristique a ensuite été mappé dans un vecteur unitaire. Nous avons examiné la similarité de chaque paire de caractéristiques et en avons éliminé une si sa valeur PCC (coefficient de corrélation de Pearson) qui était supérieure à 0,99 pour réduire la dimension de l'espace des caractéristiques. Nous avons utilisé l'élimination récursive des caractéristiques (RFE) pour sélectionner les caractéristiques radiomiques basées sur un classificateur en considérant à plusieurs reprises un ensemble plus petit de caractéristiques. L'analyse de la variance (ANOVA) a été utilisée pour étudier les caractéristiques significatives associées aux étiquettes. Nous avons trié les caractéristiques en fonction de leur valeur de caractéristique correspondante (valeur F), qui ont été calculées pour déterminer la relation entre les caractéristiques et les étiquettes, et avons sélectionné un nombre spécifique de caractéristiques pour construire le modèle intégré optimal. Pour identifier les caractéristiques prédictives dans le modèle, nous avons utilisé la régression logistique avec le LASSO (Least absolue shrinkage and selection operator). La fonction perdue finale a été augmentée avec la norme L1 et les poids ont été contraints. Les hyper-paramètres des modèles radiomiques étaient basés sur les performances du modèle sur l'ensemble de données de validation interne. La figure S1A–E illustre le processus de segmentation automatisé, l'analyse de la reproductibilité des caractéristiques, la sélection des caractéristiques et le développement du modèle.

Le modèle radiomique dérivé de la procédure de l'opérateur de sélection et de retrait absolu le moins (LASSO) utilisant une validation croisée quintuple dans l'ensemble de dérivation sans caractéristiques d'ondelettes.

Dans cette étude, le modèle d'apprentissage en profondeur a été développé à l'aide d'un ensemble de dérivation basé sur l'architecture du "réseau résiduel étendu" (WRN)22. L'architecture de WRN50 est composée de 50 couches convolutives avec 4 couches de regroupement maximum. Nous avons introduit des patchs 2.5D d'une taille de 3 × 3 × 64 pixels dans le réseau de neurones. Chaque patch a été recadré pour contenir la surface maximale de la tranche du nodule. Trois tranches adjacentes ont été extraites et concaténées pour former un patch à 3 canaux (Fig. 2A). Les images thoraciques ont été utilisées comme données d'entrée, le score d'apprentissage en profondeur (DL-score) est la sortie du réseau qui a été transférée par la fonction sigmoïde en tant que probabilité d'être sous-type MPP/SOL négatif ou MPP/SOL positif. Toutes les images CT annotées ont été utilisées comme matériau d'entrée pour créer une carte thermique illustrant une région d'intérêt sensible (ROI), qui montrait les régions ayant le plus grand impact sur la couche de prédiction finale des images d'entrée23. Nous avons utilisé des techniques d'augmentation de données pour supprimer le problème de surajustement dans la phase de dérivation. Un optimiseur de descente de gradient stochastique (SGD) a été utilisé pour former le réseau avec une perte d'entropie croisée binaire. La validation à cinq croix a été utilisée pour évaluer la qualité du modèle proposé et éviter le sur-ajustement et le sous-ajustement. PyTorch (version 1.6.0 ; https://pytorch.org) a été utilisé pour implémenter l'algorithme. Une cartographie d'activation pondérée par gradient (Grad-CAM)15,23 est une méthode couramment utilisée dans le domaine de la vision par ordinateur pour fournir une interprétabilité. Dans ce travail, nous avons utilisé Grad-CAM pour visualiser les régions importantes des données d'image d'entrée (Fig. 2B). Une valeur plus élevée indique les zones CT les plus indicatives pour la réalisation de prédictions associées. L'algorithme Grad-CAM a été implémenté par notre framework d'apprentissage profond "Strix" (https://github.com/Project-Strix/Strix) construit en PyTorch (version 1.6.0; https://pytorch.org). La sortie de la couche dense finale était notre signature d'apprentissage en profondeur, qui a été transférée avec la fonction sigmoïde en tant que score DL et modèle DL construit.

L'architecture du réseau WRN et le diagnostic prédictif du DL-score pour la lésion MPP/SOL positive. (A) L'architecture WRN50 illustrée a été présentée dans notre étude qui est menée par PyTorch (version 1.6.0 ; http://pytorch.org). (B) À partir de la gauche, la première colonne représente des patchs 2,5D d'une taille de 3 × 3 × 64 pixels qui exposent localement la tumeur et la deuxième colonne révèle les cartes thermiques d'activation. La dernière colonne constitue une bonne référence visuelle pour la probabilité de prédiction de MPP/SOL négatif/positif, c'est-à-dire le score DL, qui est observé par l'importance de chaque partie de la tumeur générée par ("Strix" (https://github.com /Project-Strix/Strix)). Réseau résiduel large WRN ; Score d'apprentissage en profondeur DL-score.

Une analyse de régression logistique a été effectuée pour développer le modèle 4 avec l'incorporation des caractéristiques cliniques significatives sélectionnées, du score DL et du score R pour construire le modèle combiné sur l'ensemble de dérivation.

La figure 3 illustre les étapes impliquées dans notre étude, y compris la sélection des caractéristiques clinicoradiographiques, la segmentation des images CT, l'extraction et la sélection des caractéristiques à partir de la radiomique, la construction d'un réseau d'apprentissage en profondeur, la construction de modèles combinés et l'analyse de modèles.

Workflow du développement de différents modèles. Gauche : rangée du haut ; (A) L'étape d'analyse radiomique comprend la segmentation des images CT, l'extraction et la sélection de caractéristiques par FeAture Explorer Pro (FAE Pro, Version 0.3.7, (https://github.com/salan668/FAE.git). (B) Le développement du modèle clinicoradiographique (C) Le modèle d'apprentissage en profondeur a été développé par PyTorch (version 1.6.0 ; http://pytorch.org) et DL -score généré à partir de ("Strix" (https://github.com /Project-Strix/Strix)). À droite : rangée du haut ; (D) La comparaison ROC entre différents modèles. Rangée du milieu ; (E) La courbe DCA tracée par le package rmda dans le logiciel R (The R Founding : http://www .r-project.org; Version 4.1.2); Rangée du bas; (F) L'analyse du nomogramme et de l'étalonnage exécutée par le package rms dans le logiciel R, le package ResourceSelection pour le test Hosmer – Lemeshow.

Nous avons évalué en interne les performances des modèles dans des données de validation internes indépendantes à l'aide de l'analyse de la courbe des caractéristiques de fonctionnement du récepteur (ROC). Le nomogramme de prédiction a été tracé sur la base d'une régression logistique basée sur le modèle combiné. La cohérence entre le nomogramme a été mise en œuvre avec le test Hosmer – Lemeshow de qualité d'ajustement (GOF) en utilisant des courbes d'étalonnage via un bootstrapping avec 1000 rééchantillons24. L'utilité clinique a été estimée avec l'analyse de la courbe de décision et avec la visualisation de la courbe de décision et de la courbe d'impact clinique25.

Les analyses statistiques ont été réalisées à l'aide du logiciel IBM SPSS (version 22.0, http://www.ibm.com), du logiciel R (The R Founding : http://www.r-project.org ; Version 4.1.2), MedCalc (version 15.0, Mariakerke, Belgique), PyTorch (version 1.6.0 ; https://pytorch.org) et FeAture Explorer Pro (FAE Pro, V0. 3.7) sur Python (3.7.6). Le package rms dans le logiciel R a été implémenté pour l'analyse d'étalonnage, le package ResourceSelection pour le test Hosmer – Lemeshow, rmda pour l'analyse de la courbe DCA. PyTorch (version 1.6.0 ; https://pytorch.org) a été adopté pour construire le modèle d'apprentissage en profondeur et Grad-CAM. Les caractéristiques ont été comparées à l'aide du test t de Student ou du test U de Mann-Whitney (pour les paramètres continus exprimés en moyenne ± écart type ou médiane ± intervalle interquartile) et des tests exacts du chi carré ou de Fisher ou (pour les variables catégorielles exprimées en nombres). Les critères de valeur du coefficient de corrélation intra-classe (ICC) sont classés comme indiqué par la précieuse étude26 : 0 ~ 0,20, léger ; 0,21 ~ 0,40, passable ; 0,41 ~ 0,60, modéré ; 0,61 ~ 0,80, substantiel ; 0.81 ~ 1.00, accord presque parfait. Une validation croisée quintuple a été utilisée pour estimer les performances du modèle de radiomique et d'apprentissage en profondeur dans la procédure de formation. De plus, un ensemble de validation externe a été réalisé pour la validation de ces modèles. La comparaison AUC a été traitée avec le test de DeLong.

Le tableau supplémentaire S1 présente qu'il n'y avait pas de différences statistiquement significatives dans les caractéristiques radiographiques cliniques entre les ensembles de dérivation et de validation interne (P tous > 0,05).

Le tableau 1 montre la contribution des caractéristiques clinicoradiographiques, radiomiques et DL-score ainsi que leurs coefficients associés dans différents modèles.

L'analyse de cohérence des variables radiographiques entre deux radiologues est répertoriée dans le tableau 2. La comparaison des caractéristiques cliniques et radiographiques entre MPP/SOL positif et MPP/SOL négatif dans l'ensemble de dérivation et de validation interne est présentée dans les tableaux 3 et 4. Les caractéristiques finalement sélectionnées avec la régression logistique dans l'ensemble de dérivation a révélé que le prédicteur indépendant des lésions positives au MPP/SOL comprenait le taux sérique d'ACE, le diamètre maximal de la tumeur, la lobulation et la spiculation. La formule de calcul était la suivante : (− 1,897) * ACE (≥ 4,70 ng/mL) + 0,053*diamètre maximal de la tumeur + (− 1,589) * lobulation + (− 1,378) * spiculation + 1,900.

Les 107 caractéristiques dont la valeur ICC en intra-observateur (0,802 ~ 0,999) et inter-observateur (0,809 ~ 0,999) ont été incluses dans l'analyse ultérieure. La sélection des caractéristiques comprend 16 caractéristiques radiomiques (Fig. S1C) et finalement, 5 caractéristiques à coefficient non nul (Fig. S1D) sont restées. Le score Radiomics a été calculé par la formule suivante :

(R-score) = 0,989*CT_original_firstorder_90Percentile + 3,881* CT_original_firstorder_Mean + 0,261* CT_original_gldm_SmallDependenceHighGrayLevelEmphasis + 2,974 * CT_original_glszm_SizeZoneNonUniformityNormalized + (-3,245) * CT_original_shape_SurfaceVolume Rapport + (− 0,0570).

Le score R existait des différences significatives entre les groupes MPP/SOL + et MPP/SOL− dans le jeu de dérivation (0,164(0,707,0,382) vs 0,846(0,681,0,913), p < 0,001) et le même résultat dans la validation interne (0,127(0,070,0,306) vs 0,829(0,700,0,884), p < 0,001) et ensemble de validation externe (0,135(0,020,0,825) vs 0,900(0,680,1,000) (Fig. 4A–C). la valeur du score R est de 0,582 choisie pour maximiser l'indice de Youden de l'analyse ROC à partir de l'ensemble de dérivation.

Diagramme de points du R-score et du DL-score pour différencier la lésion pulmonaire avec MPP/SOL positif. Les diagrammes de points montrent que la valeur du R-score est significativement plus élevée chez les patients atteints d'ADC pulmonaire avec MPP/SOL positif dans l'ensemble de dérivation (A), l'ensemble de validation interne (B) et l'ensemble de validation externe (C) (p tous < 0,001). La valeur du DL-score est également évidemment plus élevée chez les patients atteints d'ADC pulmonaire avec MPP/SOL positif dans l'ensemble de dérivation (D), l'ensemble de validation interne (E) et l'ensemble de validation externe (F) (p tous < 0,001). score R = score radiomique ; DL-score = score d'apprentissage en profondeur.

Le modèle a été construit sur la base du DL-score. Le score DL de l'ensemble de dérivation (0, 216 (0, 102, 0, 421) vs 0, 918 (0, 781, 0, 942), p = 0, 001) (Fig. 4A, B, p <0, 001) et celui de l'ensemble de validation interne ((0, 197 (0, 100, 0,400) vs 0,888 (0,735, 0,938), p < 0,001) et l'ensemble de validation externe ((0,063 (0,003, 0,432) vs 0,98 (0,058, 0,998), p < 0,001) ont montré une signification statistique significative du score DL entre le MPP / SOL + et MPP / SOL- (Fig. 4D – F) La valeur seuil de l'ensemble de dérivation est de 0, 656 choisie pour maximiser l'indice de Youden de l'analyse ROC.

La dimensionnalité des caractéristiques a été réduite de 107 à 16 caractéristiques. Et les coefficients non nuls du finalement calculé comme score R combiné avec des variables clinicoradiologiques et un score DL dans l'ensemble de dérivation ont révélé que l'ACE sérique (≥ 4,70 ng/ml), le score DL et le score R étaient des prédicteurs indépendants pour MPP/SOL lésions positives basées sur la régression logistique. La formule de calcul = 3,722*score DL + 2,405*score R + 1,966*taux sérique d'ACE (≥ 4,70 ng/ml) + (− 4,173).

Le tableau 5 montre l'ASC (IC à 95 %), la précision, la sensibilité, la spécificité, la VPP et la VPN de différents modèles dans les ensembles de dérivation, de validation interne et de validation externe. La courbe ROC et la comparaison des valeurs AUC associées à l'ensemble de dérivation, de validation interne et de validation externe sont illustrées à la Fig. 5A – C. Dans l'ensemble de données de validation interne, le tableau 5 a démontré que le modèle 4 basé sur 3 caractéristiques avait l'ASC maximale. L'ASC et la précision pourraient atteindre 0,921 (IC à 95 % 0,866 ~ 0,958) et 84,7 %, respectivement. En interne, le modèle combiné (modèle 4) a démontré une sensibilité de 91,2 % ; spécificité de 83,5 % ; une VPP de 76,5 % ; et une VAN de 94,2 %. Et la validation externe a atteint une sensibilité de 83,9 %, une spécificité de 70,0 % ; une VPP de 65,4 % ; et une VAN de 85,7 %. Le modèle clinicoradiographique de classification MPP/SOL négatif vs positif a obtenu une précision de 80,9 % et 72,3 % dans l'ensemble de validation interne et externe. Le modèle radiomique et les modèles DL ont fonctionné avec une précision de 88,3 % et 85,7 %, respectivement. Nous avions effectué le test de DeLong pour analyser la différence entre les AUC de différents modèles dans les ensembles de données de validation et de dérivation internes et externes, respectivement. Le tableau 6 a montré une différence simplement significative entre le modèle 4 et le modèle 3 (p = 0,022), le modèle 4 et le modèle 1 (p = 0,010) dans l'ensemble de validation interne. En externe, les performances diagnostiques du modèle combiné (0,827, IC à 95 % 0,739-0,895) étaient supérieures à celles du modèle radiomique (0,801, IC à 95 % 0,710-0,874) (P = 0,047), modèle DL (0,730, IC à 95 % 0,633–0,814) (P = 0,036) et modèle clinicoradiographique (0,700, IC à 95 % 0,601–0,787) (P = 0,016). Le modèle DL a montré des performances prédictives comparables au modèle radiomique en interne et en externe. Notez cependant que les AUC des modèles radiomics et DL sont supérieures à celles du modèle clinicoradiographique, mais il n'y avait pas de différences statistiques significatives entre les modèles 3 et le modèle 1 (AUC : 0,887 vs 0,848, p = 0,257) dans l'ensemble de validation interne et entre le modèle 2 et le modèle 1 (AUC : 0,906 contre 0,848, p = 0,063), qui s'est produit simultanément dans la validation externe ((P = 0,074, P = 0,649, respectivement). Même le modèle intégré 4 a atteint une ASC plus élevée (0,929, IC à 95 % : 0,897 ~ 0,954) dans l'ensemble de dérivation et AUC (0,921, IC à 95 % 0,866 ~ 0,958) dans l'ensemble de validation interne que les 3 autres modèles, ce qui donne un résultat respectable à mi-chemin par rapport au modèle 2 (AUC 0,921 contre 0,906, P = 0,360) en interne, comparé en externe au modèle 1 et au modèle 3, le modèle 4 (ASC 0,827, IC à 95 % : 0,739-0,895) a également obtenu la même efficacité diagnostique. De plus, les ASC de la validation croisée 5 en radiomique et en apprentissage profond procédure d'entraînement étaient de 0,907 (IC à 95 % 0,8938-0,9223) et 0,899 (IC à 95 % 0,859-0,918), respectivement.

La courbe ROC et la comparaison AUC de cinq modèles différents. de gauche à droite : la courbe ROC et la comparaison de l'AUC dans la dérivation (A), l'ensemble de données de validation interne (B) et la validation externe (C), respectivement. La courbe ROC dans trois ensembles de données a montré la tendance selon laquelle le schéma basé sur le score DL et les caractéristiques radiomiques peut améliorer les performances du modèle clinicoradiographique. La comparaison entre le schéma basé sur le score DL et le schéma basé sur les caractéristiques radiomiques (modèle 3 et modèle 2) a montré que le modèle DL n'est supérieur au modèle radiomique que dans l'ensemble de dérivation (0,906 contre 0,896). Dans une comparaison avec le schéma combiné, le modèle 4 a donné des performances modérément supérieures (AUC = 0,929 dans l'ensemble de dérivation, AUC = 0,921 dans l'ensemble de validation interne et AUC = 0,827 dans l'ensemble de validation externe, respectivement) que le modèle 3 et le modèle 1.

Le nomogramme de prédiction a été tracé sur la base d'une régression logistique sur la base du modèle combiné, qui ajoute une performance incrémentielle significative au modèle clinique (Fig. 6A). Un étalonnage favorable du nomogramme corroboré à la fois dans l'ensemble de dérivation, de validation interne (Fig. 6B) et l'ensemble de validation externe (Fig. 6B) a démontré un bon étalonnage avec une valeur p de 0,921, 0,339 et 0,205, dans l'ensemble de dérivation, de validation interne et externe dans le test Hosmer et Lemeshow de qualité d'ajustement (GOF), respectivement.

Le nomogramme et la courbe d'étalonnage basés sur le modèle combiné. (A) Le nomogramme basé sur le modèle combiné a été développé dans l'ensemble de dérivation. Et le score R, le score DL et le CEA ont été incorporés par le package rms dans le logiciel R. (B) Les courbes d'étalonnage du modèle combiné ont indiqué un bon accord entre la probabilité prédite et l'occurrence réelle dans l'ensemble de dérivation (test de Hosmer-Lemeshow, P = 0,921), l'ensemble de validation interne (0,309) et l'ensemble de validation externe (P = 0,205).

L'analyse de la courbe de décision (DCA) a révélé qu'indiquer que le modèle radiomique, le modèle DL ou le modèle combiné obtenait des avantages nets modérément meilleurs que les facteurs cliniques et radiographiques ou le score DL seul pour prédire l'ADC pulmonaire avec MPP/SOL positif au seuil de probabilité (5 -80 %) et de meilleurs avantages nets comparables au modèle radiomique dans l'ensemble de validation interne (Fig. 7A). Si la probabilité seuil d'un patient se situe dans une plage de (48–52 %) et (56–88 %), le modèle combiné utilisé pour prédire les lésions positives serait plus bénéfique que le modèle DL et le modèle clinicoradiographique (Fig. 7B). La courbe d'impact clinique (Fig. S2A, B) montre le nombre estimé de personnes qui seraient déclarées à haut risque pour chaque seuil de risque et montre visuellement la proportion de ces vrais cas positifs24.

Analyse des courbes de décision pour les différents modèles. Le DCA pour les différents modèles montrant l'avantage de suivre des modèles de prédiction à divers seuils de probabilité pour les événements indésirables dans l'ensemble de validation interne (A) et l'ensemble de validation externe (B). L'axe des ordonnées indique les avantages nets et l'axe des abscisses représente les différents seuils de probabilité d'être MPP/SOL positif. La ligne noire et le gris représentent l'hypothèse qu'aucun patient avec MPP/SOL positif et tous les patients avec MPP/SOL positif, respectivement.

À ce jour, de nombreuses études ont développé un modèle préopératoire invasif pour l'évaluation de l'ADC pulmonaire avec des modèles MPP/SOL. Notre étude a prolongé les travaux antérieurs7,8,9,10,27,28 en décodant les phénotypes de l'ADC pulmonaire à l'aide de caractéristiques radiomiques cliniques et quantitatives et d'un modèle de schéma basé sur le score DL séparément et combinés, en essayant de déterminer si une stratégie intégrée incorporant la radiomique clinique , et les caractéristiques du score DL pourraient être utilisées pour discriminer l'ADC pulmonaire avec le modèle MPP/SOL pour une approche chirurgicale plus efficace ou un schéma de traitement ultérieur. Le modèle combiné proposé avec une sensibilité de 91,2 % et 83,9 %, une précision de 84,7 %, 75,2 %, une ASC de 0,921 et 0,827 en validation interne et externe, respectivement, était significativement supérieur à l'apprentissage en profondeur et au modèle clinicoradiographique seuls (P < 0,05) .

Tout d'abord, nous avons développé un modèle clinicoradiographique (modèle 1) pour classer l'ADC pulmonaire avec ou sans motif MPP/SOL à l'aide des données de profilage clinique, d'imagerie et histopathologique de 625 ADC pulmonaires (ensemble de données interne : ensemble de données externe ; 514:101). Les caractéristiques morphologiques du scanner, telles que la lobulation, la spiculation et le diamètre maximal de la tumeur contribuent toutes au diagnostic différentiel de MPP/SOL négatif et positif. Notre étude a révélé que plus la lobulation, la spiculation et le diamètre maximal de la tumeur observés dans l'ADC pulmonaire étaient élevés, plus la probabilité que la lésion soit une ADC pulmonaire avec un motif MPP/SOL est élevée, ce qui est comparable aux conclusions de Park et ses collègues13 selon lesquelles les adénocarcinomes à prédominance solide sont plus susceptibles de présenter une spiculation ou une lobulation, ce qui pourrait s'expliquer par un biais de recrutement. Les caractéristiques cliniques telles que les biomarqueurs sériques sont largement considérées comme un diagnostic sanguin utile pour l'adénocarcinome pulmonaire29, en particulier le taux sérique d'ACE. Les résultats ont indiqué que les taux sériques anormaux de CEA sont plus fréquents dans l'ADC pulmonaire avec MPP/SOL positif que dans MPP/SOL négatif, mais une étude plus approfondie a besoin de plus d'échantillons pour le confirmer à l'avenir. Plusieurs études11,15 se sont concentrées sur la mesure du rapport C/T en tant que principal prédicteur morphologique de l'envahissement des lésions histologiques dans l'ADC pulmonaire, en particulier dans les nodules semi-solides. Le rapport C/T calculé dans notre étude n'a montré aucune signification statistique dans l'ensemble de dérivation et de validation interne. Cela peut résulter de la taille limitée de l'échantillon de nodules de densité variable, même si nous essayons de distribuer au hasard l'ensemble de données à l'aide du fonctionnement de la machine. Chen et al.15 ont étudié la discernabilité du rapport C/T de l'ADC pulmonaire avec MPP/SOL avec une AUC de 0,850, ce qui est égal à la capacité de détection du modèle radiomique. En ce qui concerne le résultat de la performance du rapport C / T, nous avons considéré que le biais de sélection des patients était la raison, c'est-à-dire que le cas de l'ADC pulmonaire avec MPP / SOL est relativement moins important qu'un autre modèle d'ADC pulmonaire présentant principalement une densité en partie solide.

Deuxièmement, nous avons comparé les modèles construits à l'aide du modèle DL (modèle 3) et du modèle radiomique (modèle 2) séparément, le modèle 3 a produit des performances équivalentes (P = 0,320). Il a été conclu qu'un modèle DL était faisable pour classer l'ADC pulmonaire avec le modèle MPP/SOL. Cependant, les performances de classification du modèle 3 étaient inférieures à celles du modèle 2 dans l'ensemble de validation (AUC 0,906 vs 0,887), mais supérieures dans l'ensemble de dérivation (AUC 0,906 vs 0,896), ce qui suggère qu'un surajustement pourrait se produire pendant le processus de dérivation14. Et une étude précédente30 a souligné que l'opacité des résultats d'apprentissage en profondeur de l'ingénierie ou de la modélisation de caractéristiques implicites rend son application un peu difficile dans la pratique clinique. En revanche, les caractéristiques radiomiques peuvent être plus réalisables compte tenu du processus radiomique standardisé, de la plate-forme de segmentation tumorale et du développement de modèles31.

Comme nous le savons tous, la combinaison des caractéristiques radiomics en valeur R-score peut simplifier le flux d'analyse. Enfin, nous avons tenté de combiner le score R et le score DL avec des résultats cliniques sélectionnés pour établir des modèles combinés afin de déterminer le pouvoir prédictif et la pertinence clinique de la discrimination des sous-types ADC pulmonaires. Nous avons découvert que le modèle 4 avait les meilleures performances dans le diagnostic préopératoire du schéma MPP/SOL chez les patients ADC pulmonaires avec une ASC (0,921) dans l'ensemble de validation interne, surpassant le modèle 3 et le modèle 1, cependant, obtenant un résultat à moitié décent par rapport au modèle 2 Nous avons émis l'hypothèse que le modèle radiomique avait une signature suffisante pour la prédiction et que des variables supplémentaires ne pouvaient pas améliorer de manière significative la capacité discriminante. Le modèle 2 a obtenu un niveau de précision élevé (88,3 %, 84,7 %) dans les ensembles de données de validation et de dérivation internes, légèrement supérieur au modèle 3 (84,1 %, 85,7 %) et au modèle 4 (84,7 %, 86,1 %). Cependant, en comparaison externe, le mode 4 a donné la même précision avec le modèle 3 (75,2 %), ce qui est légèrement supérieur au modèle 2 (74,3 %). L'explication la plus probable de ce phénomène est l'insuffisance d'échantillons et l'intervention humaine lors du processus de dérivation du réseau d'apprentissage en profondeur29. Le modèle combiné est supérieur à 3 autres modèles seuls dans l'ensemble de validation externe (P tous < 0,05). Nous avons émis l'hypothèse que le résultat reflétait indirectement les performances de classification du modèle DL et du modèle de fusion associé dans l'ADC pulmonaire, qui pourraient être affectés par le problème de surajustement lors du traitement des données du modèle d'apprentissage en profondeur. Notre étude démontre que la combinaison de la radiomique basée sur la tomodensitométrie et du score DL avec des implications cliniques serait une autre méthode pour le diagnostic préopératoire de l'ADC pulmonaire avec un schéma MPP/SOL, mais il peut ne pas être prudent de combiner le score R, le score DL et les caractéristiques cliniques. . Par conséquent, d'autres recherches et développements de nouvelles méthodes de fusion pour fusionner divers types de caractéristiques devront être menés.

En ce qui concerne la question de l'effet de lot dû à l'utilité de différents appareils CT, rapportée dans certaines études33,34, nous bénéficions de l'étude de Qu et al.34, abordant d'abord l'analyse en composantes principales (ACP) sur les caractéristiques radiomiques sélectionnées pour détecter le effet de lot. Les résultats ont montré qu'aucun effet de lot significatif n'a été observé parmi les données obtenues par différents tomodensitomètres (illustrés à la Fig. S3). Par conséquent, les méthodes d'harmonisation statistique telles que ComBat n'ont pas été mises en œuvre par la suite pour calibrer les données.

Cette étude présente les limites suivantes. Premièrement, la nature opaque du mécanisme d'apprentissage en profondeur peut être une source de discorde28, tout comme la stratégie de fusion de l'information. Deuxièmement, nous n'avons pas accordé suffisamment d'attention dans notre enquête à la composante de la structure MPP et SOL, et l'ADC pulmonaire avec plusieurs sous-types peut posséder des informations typiques des sous-types hybrides plutôt que celles de certains sous-types, limitant ainsi la discriminabilité des sous-types15 et produisant un certain choix biais. Bien que nous ayons examiné les performances des modèles en interne et en externe, les performances du modèle clinicoradiographique, du modèle radiomique et du modèle DL sont similaires en ce qui concerne la prédiction de l'ADC pulmonaire avec le modèle MPP/SOL, un ensemble de données prospectives plus important peut être urgent pour affirmer ces performances des modèles30. Des échantillons supplémentaires et des méthodes de traitement des données telles que le mixup, le cutout et le cutmix sont nécessaires pour confirmer l'impact de l'apprentissage en profondeur sur la détection des sous-types ADC pulmonaires32. Enfin, les caractéristiques de l'artisanat humain, telles que la segmentation reproductible, la précision de la détermination manuelle des contours35, les résultats flottent avec la variation de la segmentation initiale. Par conséquent, des travaux supplémentaires sont nécessaires, y compris la collecte de données plus représentatives, la recherche d'une plate-forme de visualisation d'images plus réalisable, la tentative d'un autre algorithme pour la segmentation d'images et d'autres fonctionnalités telles que les caractéristiques d'ondelettes doivent être discutées plus en détail.

En résumé, nous avons établi un modèle combiné basé sur le score DL, le score R et les caractéristiques clinicoradiographiques pour distinguer l'ADC pulmonaire avec la structure MPP/SOL. Par rapport aux caractéristiques clinicoradiographiques, radiomiques et au modèle de schéma basé sur le score DL séparément, le nouveau modèle combiné a amélioré les performances de classification des caractéristiques clinicoradiologiques et du modèle d'apprentissage en profondeur. Ainsi, le modèle combiné peut aider les radiologues à différencier l'ADC pulmonaire du modèle MPP/SOL. Les résultats sont toujours justifiés d'être certifiés dans d'autres études plus approfondies.

Les ensembles de données utilisés et/ou analysés au cours de la présente étude sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Sung, H. et al. Statistiques mondiales sur le cancer 2020 : Estimations GLOBOCAN de l'incidence et de la mortalité dans le monde pour 36 cancers dans 185 pays. CA Cancer J. Clin. 71, 209–249. https://doi.org/10.3322/caac.21660 (2021).

Article PubMed Google Scholar

Zhao, Y. et al. Les composants mineurs des sous-types micropapillaires et solides dans l'adénocarcinome pulmonaire sont des prédicteurs de métastases ganglionnaires et de mauvais pronostic. Ann. Surg. Oncol. 23, 2099-2105. https://doi.org/10.1245/s10434-015-5043-9 (2016).

Article PubMed PubMed Central Google Scholar

Cha, MJ et al. Sous-types micropapillaires et solides d'adénocarcinome pulmonaire invasif : prédicteurs cliniques de l'histopathologie et des résultats. J. Thorac. Cardiovasculaire. Surg. 147, 921–928. https://doi.org/10.1016/j.jtcvs.2013.09.045 (2014).

Article PubMed Google Scholar

Butnor, KJ Controverses et défis dans le sous-typage histologique de l'adénocarcinome pulmonaire. Trad. Cancer du poumon Res. 9, 839–846. https://doi.org/10.21037/tlcr.2019.12.30 (2020).

Article PubMed PubMed Central Google Scholar

Yanagawa, N. et al. L'impact clinique des motifs solides et micropapillaires dans l'adénocarcinome pulmonaire réséqué. J. Thorac. Oncol. 11, 1976-1983. https://doi.org/10.1016/j.jtho.2016.06.014 (2016).

Article PubMed Google Scholar

Zhao, ZR et al. Nouvelle méthode d'identification rapide des composants micropapillaires ou solides dans l'adénocarcinome pulmonaire à un stade précoce. J. Thorac. Cardiovasculaire. Surg. 156, 2310–2318. https://doi.org/10.1016/j.jtcvs.2018.07.054 (2018).

Article PubMed Google Scholar

Tsai, PC et al. Biopsie au trocart guidée par tomodensitométrie pour les nodules pulmonaires sous-solides périphériques afin de prédire les sous-types histologiques et agressifs prédominants d'adénocarcinome pulmonaire. Ann. Surg. Oncol. 27, 4405–4412. https://doi.org/10.1245/s10434-020-08511-9 (2020).

Article PubMed Google Scholar

Chanson, SH et al. Phénotypage par imagerie utilisant la radiomique pour prédire le schéma micropapillaire dans l'adénocarcinome pulmonaire. J. Thorac. Oncol. 12, 624–632. https://doi.org/10.1016/j.jtho.2016.11.2230 (2017).

Article PubMed Google Scholar

Kim, H. et al. Modèle d'apprentissage profond basé sur la tomodensitométrie préopératoire pour prédire la survie sans maladie chez les patients atteints d'adénocarcinomes pulmonaires. Radiologie 296, 216–224. https://doi.org/10.1148/radiol.2020192764 (2020).

Article PubMed Google Scholar

Wang, X. et al. L'apprentissage en profondeur combiné à la radiomique peut optimiser la prédiction dans la différenciation des adénocarcinomes pulmonaires de haut grade dans les lésions d'opacité en verre dépoli sur les tomodensitogrammes. EUR. J. Radiol. 129, 109150. https://doi.org/10.1016/j.ejrad.2020.109150 (2020).

Article PubMed Google Scholar

Chen, LW et al. Prédiction du modèle micropapillaire et solide dans l'adénocarcinome pulmonaire à l'aide de valeurs radiomiques extraites de sous-types histopathologiques presque purs. EUR. Radiol. 31, 5127–5138. https://doi.org/10.1007/s00330-020-07570-6 (2021).

Article PubMed Google Scholar

Lui, B. et al. Une prédiction basée sur l'apprentissage automatique du modèle de croissance micropapillaire/solide dans l'adénocarcinome pulmonaire invasif avec la radiomique. Trad. Cancer du poumon Res. 10, 955–964. https://doi.org/10.21037/tlcr-21-44 (2021).

Article CAS PubMed PubMed Central Google Scholar

Park, S. et al. Différenciation des sous-types prédominants d'adénocarcinome pulmonaire à l'aide d'une approche radiomique quantitative sur CT. EUR. Radiol. 30, 4883–4892. https://doi.org/10.1007/s00330-020-06805-w (2020).

Article PubMed Google Scholar

Gao, Y. et al. Un cadre d'apprentissage semi-supervisé pour la détection d'adénocarcinome micropapillaire. Int. J. Comput. Aider. Radiol. Surg. 17, 639–648. https://doi.org/10.1007/s11548-022-02565-8 (2022).

Article PubMed Google Scholar

Chen, LW et al. Les composants d'atténuation solides font attention au modèle d'apprentissage en profondeur pour prédire les modèles micropapillaires et solides dans les adénocarcinomes pulmonaires sur la tomodensitométrie. Ann. Surg. Oncol. 29, 7473–7482. https://doi.org/10.1245/s10434-022-12055-5 (2022).

Article PubMed Google Scholar

Xia, X. et al. Comparaison et fusion des caractéristiques d'apprentissage en profondeur et de radiomique des nodules en verre dépoli pour prédire le risque d'invasivité des adénocarcinomes pulmonaires de stade I en tomodensitométrie. Devant. Oncol. 10, 418. https://doi.org/10.3389/fonc.2020.00418 (2020).

Article PubMed PubMed Central Google Scholar

Hirsch, FR et al. Détection précoce du cancer du poumon : Perspectives cliniques des avancées récentes de la biologie et de la radiologie. Clin. Cancer Rés. 7, 5–22 (2001).

CAS PubMed Google Scholar

Travis, WD et al. Association internationale pour l'étude du cancer du poumon/American Thoracic Society/European Respiratory Society : classification multidisciplinaire internationale de l'adénocarcinome pulmonaire : résumé. Proc. Suis. Thoracique. Soc. 8, 381–385. https://doi.org/10.1513/pats.201107-042ST (2011).

Article PubMed Google Scholar

Qi, LP et al. Analyse multivariée de l'invasion pleurale des caractéristiques de tomodensitométrie basées sur le cancer du poumon périphérique non à petites cellules. J. Comput. Aider. Tomogr. 40, 757–762. https://doi.org/10.1097/RCT.0000000000000439 (2016).

Article PubMed Google Scholar

Qiang, JW et al. La relation entre les nodules pulmonaires solitaires et les bronches : Corrélation CT multicoupe-pathologique. Clin. Radiol. 59, 1121-1127. https://doi.org/10.1016/j.crad.2004.02.018 (2004).

Article CAS PubMed Google Scholar

Song, Y. et al. FeAture Explorer (FAE): Un outil pour développer et comparer des modèles radiomiques. PLoS One 15, e0237587. https://doi.org/10.1371/journal.pone.0237587 (2020).

Article CAS PubMed PubMed Central Google Scholar

Zagoruyko, S. & Komodakis, N. British Machine Vision Conference, BMVC, 19-22 septembre (2016).

Hosny, A. et al. Apprentissage en profondeur pour le pronostic du cancer du poumon : une étude radiomique rétrospective multi-cohorte. PLoS Med. 15, e1002711. https://doi.org/10.1371/journal.pmed.1002711 (2018).

Article PubMed PubMed Central Google Scholar

Kramer, AA & Zimmerman, JE Évaluation de l'étalonnage des repères de mortalité en soins intensifs : le test de Hosmer-Lemeshow revisité. Crit. Soin Méd. 35, 2052–2056. https://doi.org/10.1097/01.CCM.0000275267.64078.B0 (2007).

Article PubMed Google Scholar

Kerr, KF et al. Évaluation de l'impact clinique des modèles de prédiction des risques avec des courbes de décision : conseils pour une interprétation correcte et une utilisation appropriée. J.Clin. Oncol. 34, 2534–2540. https://doi.org/10.1200/JCO.2015.65.5654 (2016).

Article PubMed PubMed Central Google Scholar

Wu, YJ et al. Une étude comparative pour évaluer les caractéristiques sémantiques et radiomiques basées sur la tomodensitométrie dans le diagnostic préopératoire des adénocarcinomes pulmonaires invasifs se manifestant par des nodules sous-solides. Sci. Rep. 11, 66. https://doi.org/10.1038/s41598-020-79690-4 (2021).

Article ADS CAS PubMed PubMed Central Google Scholar

Yang, Y. et al. Apprentissage en profondeur aide à la décision pour le diagnostic des nodules pulmonaires : une revue. J. Thorac. Dis. 10, S867–S875. https://doi.org/10.21037/jtd.2018.02.57 (2012).

Article Google Scholar

Lee, HJ et al. Classification multidisciplinaire internationale IASLC/ATS/ERS des adénocarcinomes pulmonaires : nouveaux concepts et implications radiologiques. J. Thorac. Imagerie 27, 340–353. https://doi.org/10.1097/RTI.0b013e3182688d62 (2012).

Article PubMed Google Scholar

Gong, J. et al. Fusion de caractéristiques d'imagerie quantitative et de biomarqueurs sériques pour améliorer les performances du schéma de diagnostic assisté par ordinateur du cancer du poumon : une étude préliminaire. Méd. Phys. 45, 5472–5481. https://doi.org/10.1002/mp.13237 (2018).

Article CAS PubMed Google Scholar

Wang, T. et al. Radiomique pour la stratification du risque de survie du cancer du poumon non à petites cellules pur-solide de stade clinique et pathologique IA. Radiologie 302, 425–434. https://doi.org/10.1148/radiol.2021210109 (2022).

Article PubMed Google Scholar

Parmar, C. et al. Méthodes d'apprentissage automatique pour les biomarqueurs radiomiques quantitatifs. Sci. Rep. 5, 13087. https://doi.org/10.1038/srep13087 (2015).

Article ADS CAS PubMed PubMed Central Google Scholar

Zhang, T. et al. L'analyse d'images CT haute résolution basée sur un réseau neuronal convolutif 3D peut améliorer les performances de classification des radiologues dans la classification des nodules pulmonaires non solides. EUR. J. Radiol. 141, 109810. https://doi.org/10.1016/j.ejrad.2021.109810 (2021).

Article PubMed Google Scholar

Pasini, G. et al. matRadiomics : Un nouveau cadre radiomique complet, de la visualisation d'images au modèle prédictif. J Imaging 8, 221. https://doi.org/10.3390/jimaging8080221 (2022).

Article PubMed PubMed Central Google Scholar

Qu, H. et al. Radiomique dynamique pour prédire l'efficacité de la thérapie antiangiogénique dans les métastases hépatiques colorectales. Devant. Oncol. 13, 992096. https://doi.org/10.3389/fonc.2023.992096 (2023).

Article PubMed PubMed Central Google Scholar

van Timmeren, JE et al. La radiomique en imagerie médicale - guide pratique et réflexion critique. Insights Imaging 1, 91. https://doi.org/10.1186/s13244-020-00887-2 (2020).

Article Google Scholar

Télécharger les références

Ce travail a été soutenu par le département de radiologie du premier hôpital affilié de l'université médicale de Nanjing. Les auteurs sont reconnaissants au Dr Mei Yuan, qui est un chercheur digne, responsable et ingénieux qui a donné des conseils précieux à toutes les étapes de la rédaction de cette thèse. En outre, nous remercions les éditeurs associés et les relecteurs pour leurs commentaires utiles qui ont amélioré cet article.

Ces auteurs ont contribué à parts égales : Fen Wang, Cheng-Long Wang, Hai Xu et Mei Yuan.

Département du centre d'imagerie médicale, Hôpital populaire affilié Huaian NO.1 de l'Université médicale de Nanjing, No. 1 West Huanghe Road, Huaian, 223300, Chine

Fen Wang

Département de radiologie, Premier hôpital affilié à l'Université médicale de Nanjing, 300 GuangZhou Road, Nanjing, 210029, Chine

Teng Zhang, Yan Zhong, Tong-Fu Yu, Hai Xu et Mei Yuan

Shanghai Key Laboratory of Magnetic Resonance, East China Normal University, Shanghai, 200062, Chine

Cheng-Long Wang, Yin-Qiao Yi & Guang Yang

Département de radiologie, Hôpital officiel de la province du Jiangsu, Nanjing, 210024, Chine

Jia-Jia Zhu

Département de pathologie, Premier hôpital affilié de l'Université médicale de Nanjing, Nanjing, 210029, Chine

Haï Li

Département de radiologie, premier hôpital affilié à l'université médicale de Nanjing, province du Jiangsu, 300, Guangzhou Road, Nanjing, 210029, Chine

Hai Xu et Mei Yuan

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

FW & C.-LW : conception et conception, acquisition de données, rédaction de la première ébauche du manuscrit, révision du manuscrit, approbation finale de la version à publier, accepte d'être responsable de tous les aspects du travail si des questions se posent quant à son exactitude ou l'intégrité. C.-LW, Y.-QY, GY & FW : conception et conception, acquisition des données, analyse des données, interprétation des données, révision du manuscrit, approbation finale de la version à publier, accepte d'être responsable de tous les aspects du travail si des questions se posent concernant son exactitude ou son intégrité. J.-JZ, YZ, TZ, HL, Y.-QY, GY, HX & MY : conception et design, acquisition des données, révision du manuscrit, approbation finale de la version à publier, s'engage à prendre en charge tous les aspects de l'œuvre si des questions se posent quant à son exactitude ou son intégrité. T.-FY, HX & MY : conception et conception, acquisition des données, analyse des données, interprétation des données, révision du manuscrit, approbation finale de la version à publier, accepte d'être responsable de tous les aspects du travail si des questions se posent liées à son exactitude ou son intégrité.

Correspondance avec Hai Xu ou Mei Yuan.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Wang, F., Wang, CL., Yi, YQ. et coll. Modèle de prédiction de comparaison et de fusion pour l'adénocarcinome pulmonaire à motif micropapillaire et solide utilisant des fonctions clinicoradiographiques, radiomiques et d'apprentissage en profondeur. Sci Rep 13, 9302 (2023). https://doi.org/10.1038/s41598-023-36409-5

Télécharger la citation

Reçu : 12 octobre 2022

Accepté : 02 juin 2023

Publié: 08 juin 2023

DOI : https://doi.org/10.1038/s41598-023-36409-5

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.