Objective: Prostate carcinoma (PCa) occurs in approximately one in nine men throughout a lifetime. The histopathological Gleason score (GS) plays a crucial role in the choice of therapy for PCa. As an alternative to invasive biopsy sampling, radiomics analysis, which extracts large amounts of quantitative features from imaging, has been introduced in recent years for grading PCa. In this work, we investigated whether radiomics can reliably detect PCa in biparametric magnetic resonance imaging (bpMRI) and T1 mapping and distinguish between PCas with a GS of 6, 7, and ≥ 8.
Materials and methods: In this retrospective study, a radiomics analysis of MRI (T2-weighted imaging (T2WI), diffusion weighted imaging (DWI), and T1 mapping) from 66 patients with histopathologically confirmed PCa was performed. Tumor lesions, the transitional zone, and the peripheral zone were manually segmented pixel by pixel. MR images were augmented tenfold to increase the size of the dataset, and 1390 features were extracted per image. After excluding highly correlating features, 876 features were used to train three models for the prediction of the GS (GS 6, GS 7, GS ≥ 8) by different machine learning algorithms: one model was trained with the original images, one with the augmented images, and one with the augmented images without features from T1 mapping. Subsequently, the models were evaluated by an independent test dataset.
Results: The overall best performance with an accuracy of 92 % (95 % confidence interval (CI): 0.62 - 1.00) was obtained by the L2 Regularized Support Vector Machines (SVM) followed by the Random Forest (RF) (83 %; 95 % CI: 0.52 - 0.98), Stochastic Gradient Boosting (SGB) (75 %; 95 % CI: 0.43 - 0.95) and K-Nearest Neighbors (KNN) (50 %; 95 % CI: 0.21 - 0.79). For all four algorithms, prediction models trained with the augmented image dataset performed better than models trained with the original images. Excluding features from T1 mapping was associated with no change of accuracy for the SVM and KNN and decreased accuracy for the RF (- 0.16) and SGB (- 0,25).
Conclusion: In this novel radiomics analysis of MRI from PCa patients, the utility of features from T1 mapping was investigated for the first time. It was shown that PCa could be reliably detected by radiomics in bpMRI and T1 mapping. It was possible to distinguish between PCa with a GS of 6, 7, and ≥ 8 with an accuracy up to 92%. In addition, the results suggest that augmenting image data in radiomics analyses can lead to better performance of predictive models.
Hintergrund: Das Prostatakarzinom (PCa) tritt im Laufe des Lebens bei rund einem von neun Männern auf (1). Der histopathologische Gleason-Score (GS) spielt dabei eine entscheidende Rolle in der Wahl der Therapie des PCas (2, 3). Als Alternative zur invasiven Biopsieentnahme wurden in den letzten Jahren Radiomics-Analysen, bei denen große Mengen quantitativer Features aus der Bildgebung extrahiert werden, zum Grading des PCas eingeführt. In dieser Arbeit wurde untersucht, ob das PCa mit Hilfe von Radiomics zuverlässig in der biparametrischen Magnetresonanztomographie (bpMRT) und im T1-Mapping detektiert und zwischen PCas mit einem GS von 6, 7 und ≥ 8 unterschieden werden kann. Material und Methoden: In dieser retrospektiven Arbeit wurde eine Radiomics-Analyse von MRT-Bildern (T2-weighted imaging (T2WI), diffusion weighted imaging (DWI) und T1-Mapping) von 66 Patienten mit histopathologisch bestätigtem PCa durchgeführt. Die Tumorläsionen, die Transitionalzone und die periphere Zone wurden pixelweise manuell segmentiert. Die MRT-Bilder wurden um das zehnfache augmentiert, um die Größe des Datensatzes zu erhöhen, und 1390 Features wurden pro Bild extrahiert. Nach Ausschluss stark korrelierender Features wurden anhand von 876 Features drei Modelle zur Vorhersage des GS (GS 6, GS 7, GS ≥ 8) durch verschiedene Machine-Learning-Algorithmen trainiert: Ein Modell wurde mit dem Originaldatensatz trainiert, eins mit dem augmentierten Datensatz und eins mit dem augmentierten Datensatz unter Ausschluss von Features aus dem T1-Mapping. Anschließend wurden die Modelle durch einen unabhängigen Testdatensatz evaluiert. Ergebnisse: Die insgesamt beste Leistung mit einer Genauigkeit von 92 % (95% Konfidenzintervall (KI): 0,62 - 1,00) wurde durch den L2 Regularized Support Vector Machines (SVM) gefolgt von dem Random Forest (RF) (83 %; 95 % KI: 0,52 - 0,98), Stochastic Gradient Boosting (SGB) (75 %; 95 % KI: 0,43 - 0,95) und K-Nearest Neighbors (KNN) (50 %; 95 % KI: 0,21 – 0,79) erzielt. Vorhersagemodelle, die mit dem augmentierten Bilddatensatz trainiert wurden, wiesen bei allen vier Algorithmen eine bessere Leistung auf als Modelle, welche mit den Originalbildern trainiert wurden. Der Ausschluss von Features des T1-Mappings ging bei den SVM und dem KNN mit einer unveränderten und bei dem RF (- 0,16) und dem SGB (- 0,25) mit einer abnehmenden Genauigkeit einher. Schlussfolgerung: In dieser neuartigen Radiomics-Analyse von MRT-Bildern von PCa-Patienten wurde erstmals der Nutzen von Features aus dem T1-Mapping untersucht. Es wurde gezeigt, dass das PCa durch Radiomics zuverlässig in der bpMRT und im T1-Mapping detektiert werden kann. Es konnte mit einer Genauigkeit von bis zu 92 % zwischen PCas mit einem GS von 6, 7 und ≥ 8 unterschieden werden. Zudem deuten die Ergebnisse darauf hin, dass das Augmentieren von Bilddaten in Radiomics-Analysen zu einer besseren Leistung von Vorhersagemodellen führen kann.
