AIM: To develop and validate a preoperative CT-based nomogram combined with radiomic and clinical–radiological signatures to distinguish preinvasive lesions from pulmonary invasive lesions.
MATERIALS AND METHODS: This was a retrospective, diagnostic study conducted from August 1, 2018, to May 1, 2020, at three centers. Patients with a solitary pulmonary nodule were enrolled in the GDPH center and were divided into two groups (7:3) randomly: development ( n =149) and internal validation ( n =54). The SYSMH center and the ZSLC Center formed an external validation cohort of 170 patients. The least absolute shrinkage and selection operator (LASSO) algorithm and logistic regression analysis were used to feature signatures and transform them into models.
RESULTS: The study comprised 373 individuals from three independent centers (female: 225/373, 60.3%; median [IQR] age, 57.0 [48.0–65.0] years). The AUCs for the combined radiomic signature selected from the nodular area and the perinodular area were 0.93, 0.91, and 0.90 in the three cohorts. The nomogram combining the clinical and combined radiomic signatures could accurately predict interstitial invasion in patients with a solitary pulmonary nodule (AUC, 0.94, 0.90, 0.92) in the threeabilities, according to a decision curve analysis and the Akaike information criteria.
CONCLUSION: This study demonstrated that a nomogram constructed by identified clinical–radiological signatures and combined radiomic signatures has the potential to precisely predict pathology invasiveness.
This article is a translation of the article by Huang L, Lin W, Xie D, et al. Development and validation of a preoperative CT-based radiomic nomogram to predict pathology invasiveness in patients with a solitary pulmonary nodule: a machine learning approach, multicenter, diagnostic study. Eur Radiol. 2022;32(3):1983–1996. doi: 10.1007/s00330-021-08268-z
This article is licensed under a Creative Commons Attribution 4.0 International License Creative Commons Attribution 4.0 ( https://creativecommons.org/licenses/by/4.0/) .
Цель — разработать и валидировать метод построения предоперационной номограммы на основе компьютерных томограмм с учетом радиомических и клинико-радиологических сигнатур для дифференциальной диагностики преинвазивных и инвазивных легочных узлов.
Материалы и методы. Ретроспективное диагностическое исследование проводилось с 01.08.2018 по 01.05.2020 в трех медицинских учреждениях. Пациенты с солитарными легочными узлами, проходившие обследование в медицинском центре GDPH, были рандомизированно распределены в две группы ( в соотношении 7:3): группу разработки ( n =149) и группу внутренней валидации ( n =54). Пациенты, проходившие обследование в медицинских центрах SYSMH и ZSLC ( n =170), вошли в группу внешней валидации. Для выделения признаков поражения и преобразования их в радиомические модели использовали оператор наименьшего абсолютного сокращения и выбора (LASSO) и логистический регрессионный анализ.
Результаты. В исследование были включены 373 пациента трех отдельных медицинских учреждений. Из них 225 составляли женщины (60,3%; медиана [межквартильный размах] возраста — 57,0 [48,0–65,0] года). Показатели площади (AUC) под кривыми рабочих характеристик приемника (ROC) при оценке комбинированных радиомических сигнатур нодулярной и перинодулярной областей составили 0,93, 0,91 и 0,90 в трех группах соответственно. С помощью номограммы, объединяющей клинические и комбинированные радиомические сигнатуры, удалось точно предсказать интерстициальную инвазию у пациентов с солитарными легочными узлами в трех группах (AUC 0,94, 0,90, 0,92 соответственно), согласно результатам анализа кривой принятия решений (DCA) и значениям информационного критерия Акаике (AIC).
Заключение. Данное исследование показало, что номограмма, построенная на основе выделенных клинико-радиологических и комбинированных радиомических сигнатур, обладает высокой точностью прогнозирования инвазивности легочных узлов.
Настоящая статья представляет собой перевод статьи: Luyu H., Weihuan L., Daipeng X., et al. Development and validation of a preoperative CT-based radiomic nomogram to predict pathology invasiveness in patients with a solitary pulmonary nodule: a machine learning approach, multicenter, diagnostic study // Eur Radiol. 2022. Vol. 32, N. 3. P. 1983–1996. doi: 10.1007/s00330-021-08268-z
Эта статья лицензирована по лицензии Creative Commons Attribution 4.0 ( https://creativecommons.org/licenses/by/4.0/) .