Core Concepts
Eine neuartige Methode zur Analyse von Verteilungsinformationen aus medizinischen Bildern kann die Früherkennung und Risikostratifizierung von Leberkrebs verbessern.
Abstract
Die Studie entwickelt einen neuartigen Ansatz zur bildbasierten Verteilungsanalyse (DDA), der die Wahrscheinlichkeitsverteilung (Quantilverteilung) der Pixelwerte als Kovariaten in ein skalares Regressionsmodell mit funktionalen Prädiktoren integriert. Dieser Ansatz bietet mehrere Vorteile:
- Er berücksichtigt die Heterogenität innerhalb der Bilder
- Er nutzt die gesamte in den Pixelverteilungen enthaltene Information
- Er kann mit unterschiedlich großen Bildern und Läsionen umgehen
Die Studie untersucht drei Ziele:
- Diagnose: Unterscheidung zwischen Fällen (Patienten mit Leberläsionen) und Kontrollen anhand von Ganzkörper-Leberbildern
- Risikostratifizierung: Klassifizierung des Schweregrades von Leberläsionen (mild vs. aggressiv)
- Früherkennung: Vorhersage der Tumorprogression zum Diagnosezeitpunkt anhand von Bildern aus dem Vorzustand
Die Ergebnisse zeigen, dass der vorgeschlagene DDA-Ansatz, der die Quantilverteilungen der Enhancement Pattern Mapping (EPM)-Bilder mit strukturellen Radiomics-Merkmalen kombiniert, deutliche Verbesserungen bei Sensitivität und Spezifität im Vergleich zu herkömmlichen Ansätzen erzielt, die nur Zusammenfassungsstatistiken verwenden. Insbesondere für die Früherkennung aggressive Tumorprogression erreicht der Ansatz eine Sensitivität von über 80% bei einer Spezifität von fast 95%.
Stats
Die Verteilungen der EPM-Pixelwerte unterscheiden sich deutlich zwischen Läsionen verschiedener Schweregrade sowie zwischen Fällen und Kontrollen.
Selbst kleine Läsionen mit etwa 10 Pixeln können erfasst werden.
Die Läsionsvolumina reichen von 0,17 bis 0,95 cm³ mit Durchmessern von 0,7 bis 12,2 cm.
Quotes
"Der vorgeschlagene DDA-Ansatz, der die Quantilverteilungen der EPM-Bilder mit strukturellen Radiomics-Merkmalen kombiniert, erzielt deutliche Verbesserungen bei Sensitivität und Spezifität im Vergleich zu herkömmlichen Ansätzen."
"Für die Früherkennung aggressiver Tumorprogression erreicht der Ansatz eine Sensitivität von über 80% bei einer Spezifität von fast 95%."