Scopo: Sviluppare un sistema software di aiuto al radiologo per la diagnosi precoce della presenza di invasione microvascolare (MVI+) nell’epatocarcinoma (HCC) con diametro≤3 cm. Materiali e metodi: Sono arruolati 117 pazienti con HCC, acquisiti tramite Tomografia Computerizzata con mezzo di contrasto eseguita prima della chirurgia. 78 sono inclusi, con 89 noduli distinti ≤3 cm, di cui 32 MVI+. È stato sviluppato un metodo per rilevare automaticamente la Zona di Transizione (ZT) tra tumore e tessuto sano, analizzando il contrasto locale intorno al margine tumorale, sia in fase arteriosa che venosa. Dalla ZT e dal nucleo tumorale sono state generate 762 feature radiomiche, impiegate per addestrare un classificatore (basato su Support Vector Machine) a rilevare MVI+. Il dataset è stato aumentato mediante Kernel Density Estimation. Il classificatore è stato addestrato mediante 3-fold Cross Validation e validato esternamente. Le performance predittive sono state valutate mediante curva ROC e metriche ad essa riferite. La separabilità è stata testata con Wilcoxon rank-sum test (p-value<10-3). Risultati: Dal dataset originale sono stati ottenuti 169 campioni, di cui 62 MVI+. Il classificatore è stato quindi addestrato su 117 campioni (di cui 43 MVI+) e validato su 52 (di cui 19 MVI+). Utilizzando una combinazione di sole 4 feature, riferite a misure di eterogeneità della ZT in entrambe le fasi contrastografiche, il classificatore predice MVI+, nel set di validazione, con AUC=0.89, specificità=85%, sensitività=84% e negative predictive value=90% (p-value∼10-6). Conclusioni: I risultati predittivi per la diagnosi di MVI+ in HCC in stadio iniziale (noduli ≤3cm) si sono rivelati i migliori dello stato dell’arte, grazie anche al ruolo determinante dell’eterogeneità della ZT.
Margherita Mottola, M.R. (2022). L'Intelligenza Artificiale nella diagnosi precoce nell'invasione microvascolare nell'epatocarcinoma in stadio iniziale.
L'Intelligenza Artificiale nella diagnosi precoce nell'invasione microvascolare nell'epatocarcinoma in stadio iniziale
Margherita Mottola;Alessandro Bevilacqua;Rita Golfieri
2022
Abstract
Scopo: Sviluppare un sistema software di aiuto al radiologo per la diagnosi precoce della presenza di invasione microvascolare (MVI+) nell’epatocarcinoma (HCC) con diametro≤3 cm. Materiali e metodi: Sono arruolati 117 pazienti con HCC, acquisiti tramite Tomografia Computerizzata con mezzo di contrasto eseguita prima della chirurgia. 78 sono inclusi, con 89 noduli distinti ≤3 cm, di cui 32 MVI+. È stato sviluppato un metodo per rilevare automaticamente la Zona di Transizione (ZT) tra tumore e tessuto sano, analizzando il contrasto locale intorno al margine tumorale, sia in fase arteriosa che venosa. Dalla ZT e dal nucleo tumorale sono state generate 762 feature radiomiche, impiegate per addestrare un classificatore (basato su Support Vector Machine) a rilevare MVI+. Il dataset è stato aumentato mediante Kernel Density Estimation. Il classificatore è stato addestrato mediante 3-fold Cross Validation e validato esternamente. Le performance predittive sono state valutate mediante curva ROC e metriche ad essa riferite. La separabilità è stata testata con Wilcoxon rank-sum test (p-value<10-3). Risultati: Dal dataset originale sono stati ottenuti 169 campioni, di cui 62 MVI+. Il classificatore è stato quindi addestrato su 117 campioni (di cui 43 MVI+) e validato su 52 (di cui 19 MVI+). Utilizzando una combinazione di sole 4 feature, riferite a misure di eterogeneità della ZT in entrambe le fasi contrastografiche, il classificatore predice MVI+, nel set di validazione, con AUC=0.89, specificità=85%, sensitività=84% e negative predictive value=90% (p-value∼10-6). Conclusioni: I risultati predittivi per la diagnosi di MVI+ in HCC in stadio iniziale (noduli ≤3cm) si sono rivelati i migliori dello stato dell’arte, grazie anche al ruolo determinante dell’eterogeneità della ZT.I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.