Multivariable Diagnostic Prediction Model to Detect Hormone Secretion Profile From T2W MRI Radiomics with Artificial Neural Networks in Pituitary AdenomasBegumhan BAYSAL, Mehmet Bilgin ESER, Mahmut Bilal DOGAN, Muhammet Arif KURSUNIstanbul Goztepe Prof. Dr. Suleyman Yalcin City Hospital, Clinic of Radiology, Istanbul, Turkey
Objective: 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.
Methods: 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 was >0.85 and p-value was <0.01.
Results: The performance of the ANN distinguishing prolactinomas from other adenomas was validated (AUC=0.95, p<0.001, sensitivity: 91%, and specificity: 98%). The model distinguishing PHA had the lowest AUC (AUC=0.74 and p<0.001). The AUC values for the other five ANN were >0.85 and p values were <0.001.
Conclusions: This study was successful in training neural networks that could differentiate the hormone secretion profile of pituitary adenomas. Keywords: Pituitary adenoma, magnetic resonance imaging, machine learning, artificial intelligence, radiomics
Hipofiz Makroadenomlarında T2-MRG Tabanlı Radyomiks ve Sinir Ağları ile Hormon Salgılama Profilinin TahminiBegumhan BAYSAL, Mehmet Bilgin ESER, Mahmut Bilal DOGAN, Muhammet Arif KURSUNİstanbul Medeniyet Üniversitesi Göztepe Prof. Dr. Süleyman Yalçın Şehir Hastanesi, Radyoloji Ana Bilim Dalı, İstanbul
Amaç: Bu çalışma, T2 ağırlıklı manyetik rezonans görüntüleme (MRG) radyomikslerine dayalı olarak hipofiz adenomlarında hormon salgılama profillerini tespit etmek için sinir ağları geliştirmeyi amaçlamaktadır.
Yöntemler: 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 AUC >0,85 ve p değeri <0,01 başarılı kabul edildi.
Bulgular: YSA, AUC=0,95, p<0,001, duyarlılık: %91, özgüllük: %98 değerleri ile prolaktinomaları diğer adenomlardan ayırabildi. PLSA için AUC=0,74 ve p<0,001’di. Diğer beş YSA için ise AUC değerleri >0,85 ve p<0,001 idi.
Sonuçlar: Bu çalışma, hipofiz adenomlarının hormon salgılama profilini ayırt edebilen sinir ağlarının eğitiminde başarılı olmuştur. Anahtar Kelimeler: Hipofiz adenomu, manyetik rezonans görüntüleme, makine öğrenimi, yapay zeka, radyomiks
Begumhan BAYSAL, Mehmet Bilgin ESER, Mahmut Bilal DOGAN, Muhammet Arif KURSUN. Multivariable Diagnostic Prediction Model to Detect Hormone Secretion Profile From T2W MRI Radiomics with Artificial Neural Networks in Pituitary Adenomas. Medeniyet Med J. 2022; 37(1): 36-43
Corresponding Author: Begumhan BAYSAL, Türkiye |
|