Yüksek dereceli glial tümörlerde psödoprogresyon ve gerçek tümör progresyonunun ayrımında radyomik ve makine öğrenmesi

İntrakranial neoplazilerin tedavi cevabının değerlendirilmesi hastanın prognozu ve tedavi yönetimi açısından önemlidir. Amacımız radyolojik doku analizi ('texture' analizi veya radyomik) ve makine öğrenmesi algoritmaları kullanarak psödoprogresyon ve gerçek tümör progresyonu ayrımını yapmak, texture analizi (radyolojik doku analizi) ile insan gözünün ayırt edemediği farklılıkları ortaya koymaktır. Histopatolojik tanısı mevcut 12 psödoprogresyon ve 38 tane gerçek progresyon hastası çalışmaya dahil edildi. Prekontrast ve postkontrast T1A, T2A, FLAIR, ADC, CBV, CBF, K2, MTT haritaları kullanıldı. Makine öğrenmesi algritmaları için segmentasyonlar manuel olarak ücretsiz ITK-SNAP versiyon 3.6 yazılımı kullanılarak kıdemli (asistanlığının son yılına girmiş) radyoloji asistanı tarafından yapıldı. Solid kontrastlanan tümör alanı, solid kontrastlanmayan tümör alanı, nekroz, ödem, kist, kanama alanları manuel olarak çizilerek segmente edildi. Radyolojik doku özellikleri ('texture features') birinci ve ikinci derece istatistik yöntemleri ile oluşturuldu. İstatistik analizler için Students t-test ve ROC eğrileri, tek yönlü ANOVA ve post-hoc Bonferroni kullanıldı. Makine öğrenmesi yöntemlerinden RF ('Random Forest') kullanıldı. Veri setinin % 70'i eğitim için kullanılırken %30'u test için ayrılmıştı. 1. ve 2. visitler için nodüler tarzda kontrastlanma elimizdeki vaka serisinde daha çok psödoprogresyon hastalarında izlendi (1. Visit OR: 0.14, 2.visit OR: 0.19). CBV ve CBF değerlerinin düşük olması psödoprogresyon lehine idi (OR: 0.09, p<0.01). Kontrastlanan alan boyutunda bir önceki tetkike kıyasla %25'ten fazla artış izlenmesi psödoprogresyon lehine idi (OR:0.1, p<0.03). FLAIR hiperintens alan hacminde %50 ve daha fazla artış psödoprogresyon lehine idi (OR:0.2, p<0.04). Diğer belirteçler ile hasta grupları arasında istatistiksel anlamlı korelasyon saptanmadı. Birinci vizit için hiçbir radyolog perfüzyon ve konvansiyonel sekansları kullanarak psödoprogresyon ve gerçek progresyon gruplarını istatistiksel anlamlı olarak ayırmayı başaramazken, RF klasifikasyon modeli %70 doğrulukla yalnızca konvansiyonel sekansları kullanarak grupları klasifiye etmeyi başardı. Üçüncü visit için radyologların grupları ayırmadaki tahmin başarıları %72 ve %62 iken aynı visit için RF klasifikasyon modeli %81 doğruluk ile grupları klasifiye etmeyi başardı. Radyolojik imajların daha iyi analiz edilmesi radyologlar ile makine algoritmalarının bir araya gelmesi ile mümkün olacaktır.