Multivariable diagnostic prediction model to detecting hormone secretion profile from T2W MRI radiomics with artificial neural networks in pituitary adenomas

Autor: Begümhan Baysal, Mehmet Bilgin Eser, Mahmut Bilal Dogan, Muhammet Arif Kursun
Rok vydání: 2022
Předmět:
Zdroj: Medeniyet Medical Journal.
ISSN: 2149-4606
2149-2042
DOI: 10.4274/mmj.galenos.2022.58538
Popis: This study aims to develop neural networks to detect hormone secretion profiles in the pituitary adenomas based on T2 weighted magnetic resonance imaging (MRI) radiomics.This retrospective model-development study included a cohort of patients with pituitary adenomas (n=130) from January 2015 to January 2020 in one tertiary center. The mean age was 46.49±13.69 years, and 76/130 (58.46%) were women. Three observers segmented lesions on coronal T2 weighted MRI, and an interrater agreement was evaluated using the Dice coefficient. Predictors were determined as radiomics features (n=851). Feature selection was based on intraclass correlation coefficient, coefficient variance, variance inflation factor, and LASSO regression analysis. Outcomes were identified as 7 hormone secretion profiles [non-functioning pituitary adenoma, growth hormone-secreting adenomas, prolactinomas, adrenocorticotropic hormone-secreting adenomas, pluri-hormonal secreting adenomas (PHA), follicle-stimulating hormone and luteinizing hormone-secreting adenomas, and thyroid-stimulating hormone adenomas]. A multivariable diagnostic prediction model was developed with artificial neural networks (ANN) for 7 outcomes. ANN performance was presented as an area under the receiver operating characteristic curve (AUC) and accepted as successful if the AUC was0.85 and p-value was0.01.The performance of the ANN distinguishing prolactinomas from other adenomas was validated (AUC=0.95, p0.001, sensitivity: 91%, and specificity: 98%). The model distinguishing PHA had the lowest AUC (AUC=0.74 and p0.001). The AUC values for the other five ANN were0.85 and p values were0.001.This study was successful in training neural networks that could differentiate the hormone secretion profile of pituitary adenomas.Bu çalışma, T2 ağırlıklı manyetik rezonans görüntüleme (MRG) radyomikslerine dayalı olarak hipofiz adenomlarında hormon salgılama profillerini tespit etmek için sinir ağları geliştirmeyi amaçlamaktadır.Bu retrospektif model geliştirme çalışması, üçüncü basamak bir merkezde Ocak 2015 ile Ocak 2020 arasında hipofiz adenomu olan hastalardan oluşan bir kohortu içermektedir (n=130). Ortalama hasta yaşı 46,49±13,69 yıldır ve 76/130’u (%58,46) kadındır. Üç gözlemci, koronal T2 ağırlıklı MRG’de lezyonları segmente etti ve Dice katsayısı kullanılarak gözlemciler arası uyum değerlendirildi. Prediktörler radyomiks parametreleri olarak belirlendi (n=851). Parametre seçimi, sınıf içi korelasyon katsayısına, katsayı varyansına, varyans inflasyon faktörüne ve LASSO regresyon analizine dayanmaktadır. Sonuçlar yedi farklı hormon salgılama profili olarak tanımlandı [non-fonksiyone hipofiz adenomu, büyüme hormonu salgılayan adenomlar, prolaktinomalar, adrenokortikotropik hormon salgılayan adenomlar, pluri-hormonal adenomlar (PLSA), folikül uyarıcı hormon ve luteinize edici hormon salgılayan adenomlar ile tiroid uyarıcı hormon salgılayan adenomlar]. Yedi hormon için yapay sinir ağları (YSA) ile çok değişkenli bir tanısal tahmin modeli geliştirildi. YSA performansı, alıcı işletim karakteristik eğrisinin altındaki alan (AUC) olarak sunuldu ve AUC0,85 ve p değeri0,01 başarılı kabul edildi.YSA, AUC=0,95, p0,001, duyarlılık: %91, özgüllük: %98 değerleri ile prolaktinomaları diğer adenomlardan ayırabildi. PLSA için AUC=0,74 ve p0,001’di. Diğer beş YSA için ise AUC değerleri0,85 ve p0,001 idi.Bu çalışma, hipofiz adenomlarının hormon salgılama profilini ayırt edebilen sinir ağlarının eğitiminde başarılı olmuştur.
Databáze: OpenAIRE
Externí odkaz: