Bei der mediastinalen Ausbreitungsdiagnostik von Plattenepithel- und Adenokarzinomen der Lunge ist das PET-CT zur Identifizierung von suspekten Lymphknoten vor deren histologischer Sicherung Goldstandard. Radiomics, also die automatisierte Bewertung relevanter Bildstrukturen mittels Klassifikationsalgorithmen, könnte eine diagnostische Alternative zum komplexen und nicht flächendeckend verfügbaren PET-CT sein. Ziel der vorliegenden Forschungsarbeit war es, Klassifikationsalgorithmen mit unterschiedlichen machine learning-Techniken zu entwickeln, die anhand von Bildmerkmalen (radiomic features) aus CT-Scans die Dignität mediastinaler Lymphknoten klassifizieren können, und dabei eine ähnlich genaue Vorhersageleistung wie die Klassifikation durch PET-CT erreichen. Dafür wurde die Dignität von insgesamt 1799 Lymphknoten aus Kontrastmittel-PET-CT- Scans von 381 Patienten mit der Diagnose eines Adeno- oder Plattenepithelkatzinoms der Lunge, mittels PET-CT klassifiziert. In einem zweiten Schritt wurden die klassifizierten Lymphknoten aus dem CT-Scan extrahiert und für die Entwicklung von 24 CT-basierten Vorhersagealgorithmen genutzt. Dabei wurden 4 radiomic feature- Selektionsmechanismen mit 6 unterschiedlichen machine learning-Algorithmen kombiniert, auf einem Trainingsdatensatz entwickelt, und an einem Testdatensatz validiert. Zusätzlich wurden die 24 Klassifikationsalgorithmen auf das Vorhandensein von radiomic features mit einem hohen prädiktiven Wert überprüft, mit den Vorhersageleistungen von zwei Radiologen der Charité auf dem identischen Testdatensatz verglichen und in die Dignitäts-Vorhersage der Radiologen integriert, wenn diese angaben, den Lymphknoten nicht sicher kategorisieren zu können. Es gelang, 24 stabile Klassifikationsalgorithmen zu entwickeln, die auf dem Testdatensatz eine durchschnittliche Treffergenauigkeit von 77%, bei einer Sensitivität von 71% und einer Spezifität von 80%, erreichen konnten. Dabei gelang außerdem die Identifizierung einiger radiomic features mit einem hohen prognostischen Wert. 5 Im Vergleich mit den Klassifikationsleistungen der Radiologen erreichten die Klassifikationsalgorithmen höhere Sensitivitäten, bei geringeren Spezifitäten und eine vergleichbare Treffergenauigkeit. Die Integration der Algorithmen in die Vorhersage der Radiologen in unsicheren Kategorien resultierten in signifikant höheren Sensitivitäten und signifikant niedrigeren Spezifitäten bei unveränderten Treffergenauigkeiten. Die Erstellung von 24 stabilen machine learning-Klassifikationsalgorithmen war erfolgreich und ist eine Möglichkeit, bisher ungenutzte Informationen aus CT-Scans automatisiert zu bewerten. Es gelang jedoch nicht, die Vorhersageleistung der PET-CT zu erreichen. Die Forschungsergebnisse zeigen aber, dass Radiomics-Klassifikationsalgorithmen, je nach diagnostischen Anforderungen, mit signifikant höheren Sensitivitäten in unsicheren Klassifikationsfällen, schon heute eine zusätzliche Unterstützung für Radiologen sein könnten.
In mediastinal lymph node staging of adeno and squamous-cell carcinoma of the lung, PET-CT analysis for the identification of suspicious lymph nodes prior to their histological confirmation is currently gold-standard. Radiomics, the automated evaluation of image structures through classification algorithms could be a diagnostic alternative to the complex and not nationwide available PET-CT analysis. The aim of the study was to develop classification algorithms with different machine learning techniques that can classify the dignity of mediastinal lymph nodes using only imaging features (radiomic features) from CT-scans and reaching an equally precise prediction performance like PET-CT. Therefore, we classified the dignity of 1799 lymph nodes from contrast enhanced PET- CT scans of 381 patients that were diagnosed with an adeno or squamous-cell carcinoma of the lung, using PET-CT. Afterwards we extracted the classified lymph nodes from the CT-scan and used them as a basis to develop 24 CT-based classification algorithms. Here we combined 4 radiomic feature selection methods and 6 machine learning algorithms, that were developed on a training data set and validated on a test data set. Additionally, the 24 classification algorithms were screened for single radiomic features that hold a high predictive value, the performances of the 24 algorithms were compared with the performances of 2 radiologists and integrated in the radiologist’s prediction in cases where they were uncertain about the dignity of a lymph node. We successfully developed 24 stable classification algorithms that achieved an average accuracy of 77%, a sensitivity of 71% and a specificity of 80% on the test data set. It was also possible to identify radiomic features with a high predictive value. In comparison with the radiologist’s performance, the classification algorithms achieved higher sensitivities with lower specificities and a comparable accuracy. The integration of the algorithms in the radiologist’s prediction in uncertain categories resulted in significantly higher sensitivities and significantly lower specificities with unchanged accuracies. 7 The development of 24 stable machine learning classification algorithms was successful and is a way to automatically assess previously unused information from CT scans. However, the predictive performance of PET-CT was not reached. Yet, the research results demonstrate that radiomics classification algorithms, depending on the diagnostic demands, could already be a supplementary tool for radiologists today by reaching significantly higher sensitivities in cases of uncertain classification.
