Published February 23, 2023 | Version v1
Publication Open

Artificial-intelligence-based computed tomography histogram analysis predicting tumor invasiveness of lung adenocarcinomas manifesting as radiological part-solid nodules

Creators

  • 1. Peking University People's Hospital
  • 2. Peking University
  • 3. Qingdao University
  • 4. Qingdao Women and Children's Hospital
  • 5. InferVision (China)

Description

Tumor invasiveness plays a key role in determining surgical strategy and patient prognosis in clinical practice. The study aimed to explore artificial-intelligence-based computed tomography (CT) histogram indicators significantly related to the invasion status of lung adenocarcinoma appearing as part-solid nodules (PSNs), and to construct radiomics models for prediction of tumor invasiveness.We identified surgically resected lung adenocarcinomas manifesting as PSNs in Peking University People's Hospital from January 2014 to October 2019. Tumors were categorized as adenocarcinoma in situ (AIS), minimally invasive adenocarcinoma (MIA), and invasive adenocarcinoma (IAC) by comprehensive pathological assessment. The whole cohort was randomly assigned into a training (70%, n=832) and a validation cohort (30%, n=356) to establish and validate the prediction model. An artificial-intelligence-based algorithm (InferRead CT Lung) was applied to extract CT histogram parameters for each pulmonary nodule. For feature selection, multivariate regression models were built to identify factors associated with tumor invasiveness. Logistic regression classifier was used for radiomics model building. The predictive performance of the model was then evaluated by ROC and calibration curves.In total, 299 AIS/MIAs and 889 IACs were included. In the training cohort, multivariate logistic regression analysis demonstrated that age [odds ratio (OR), 1.020; 95% CI, 1.004-1.037; p=0.017], smoking history (OR, 1.846; 95% CI, 1.058-3.221; p=0.031), solid mean density (OR, 1.014; 95% CI, 1.004-1.024; p=0.008], solid volume (OR, 5.858; 95% CI, 1.259-27.247; p = 0.037), pleural retraction sign (OR, 3.179; 95% CI, 1.057-9.559; p = 0.039), variance (OR, 0.570; 95% CI, 0.399-0.813; p=0.002), and entropy (OR, 4.606; 95% CI, 2.750-7.717; p<0.001) were independent predictors for IAC. The areas under the curve (AUCs) in the training and validation cohorts indicated a better discriminative ability of the histogram model (AUC=0.892) compared with the clinical model (AUC=0.852) and integrated model (AUC=0.886).We developed an AI-based histogram model, which could reliably predict tumor invasiveness in lung adenocarcinoma manifesting as PSNs. This finding would provide promising value in guiding the precision management of PSNs in the daily practice.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يلعب غزو الورم دورًا رئيسيًا في تحديد الاستراتيجية الجراحية وتشخيص المريض في الممارسة السريرية. هدفت الدراسة إلى استكشاف مؤشرات الرسم البياني للتصوير المقطعي المحوسب القائم على الذكاء الاصطناعي (CT) المرتبطة بشكل كبير بحالة غزو الورم السرطاني الغدي الرئوي الذي يظهر على شكل عقيدات صلبة جزئية (PSNs)، وبناء نماذج إشعاعية للتنبؤ بغزو الورم. حددنا الأورام السرطانية الغدية الرئوية المقطوعة جراحياً والتي تظهر على شكل PSNs في مستشفى جامعة بكين الشعبي من يناير 2014 إلى أكتوبر 2019. تم تصنيف الأورام على أنها سرطان غدي موضعي (AIS)، وسرطان غدي طفيف التوغل (MIA)، وسرطان غدي غازي (IAC) من خلال التقييم المرضي الشامل. تم تعيين المجموعة بأكملها بشكل عشوائي في تدريب (70 ٪، العدد=832) ومجموعة التحقق من الصحة (30 ٪، العدد=356) لإنشاء نموذج التنبؤ والتحقق من صحته. تم تطبيق خوارزمية قائمة على الذكاء الاصطناعي (InferRead CT Lung) لاستخراج معلمات مخطط التصوير المقطعي المحوسب لكل عقدة رئوية. لاختيار الميزات، تم بناء نماذج الانحدار متعددة المتغيرات لتحديد العوامل المرتبطة بغزو الورم. تم استخدام مصنف الانحدار اللوجستي لبناء نموذج راديوميكس. ثم تم تقييم الأداء التنبئي للنموذج من قبل منحنيات ROC والمعايرة. في المجموع، تم تضمين 299 AIS/MIAs و 889 IACs. في مجموعة التدريب، أظهر تحليل الانحدار اللوجستي متعدد المتغيرات أن العمر [نسبة الاحتمالات (OR)، 1.020 ؛ 95 ٪ CI، 1.004-1.037 ؛ p=0.017]، تاريخ التدخين (OR، 1.846 ؛ 95 ٪ CI، 1.058-3.221 ؛ p=0.031)، الكثافة المتوسطة الصلبة (OR، 1.014 ؛ 95 ٪ CI، 1.004-1.024 ؛ p=0.008]، الحجم الصلب (OR، 5.858 ؛ 95 ٪ CI، 1.259-27.247 ؛ p = 0.037)، علامة التراجع الجنبي (OR، 3.179 ؛ 95 ٪ CI، 1.057-9.559 ؛ p = 0.039)، التباين (OR، 0.570 ؛ 95 ٪ CI، 0.399-0.813 ؛ p=0.002)، والإنتروبيا (OR، 4.606 ؛ 95 ٪ CI، 2.750-7.717 ؛ <0.001) كانوا متنبئين مستقلين لـ IAC. أشارت المناطق تحت المنحنى (AUCs) في مجموعات التدريب والتحقق إلى قدرة تمييزية أفضل لنموذج المدرج التكراري (AUC=0.892) مقارنة بالنموذج السريري (AUC= 0.852) والنموذج المتكامل (AUC=0.886). قمنا بتطوير نموذج مدرج تكراري قائم على الذكاء الاصطناعي، والذي يمكن أن يتنبأ بشكل موثوق بغزو الورم في سرطان غدي في الرئة يظهر على شكل PSNs. ستوفر هذه النتيجة قيمة واعدة في توجيه الإدارة الدقيقة لشبكات PSN في الممارسة اليومية.

Translated Description (French)

L'invasivité tumorale joue un rôle clé dans la détermination de la stratégie chirurgicale et du pronostic du patient dans la pratique clinique. L'étude visait à explorer des indicateurs d'histogramme de tomodensitométrie (CT) basés sur l'intelligence artificielle, significativement liés au statut d'invasion de l'adénocarcinome pulmonaire apparaissant sous forme de nodules partiellement solides (PSN), et à construire des modèles radiomiques pour la prédiction de l'invasivité tumorale. Nous avons identifié des adénocarcinomes pulmonaires réséqués chirurgicalement se manifestant sous forme de PSN à l'hôpital populaire de l'Université de Pékin de janvier 2014 à octobre 2019. Les tumeurs ont été classées comme adénocarcinome in situ (AIS), adénocarcinome mini-invasif (MIA) et adénocarcinome invasif (IAC) par une évaluation pathologique complète. L'ensemble de la cohorte a été répartie au hasard dans une formation (70%, n=832) et une cohorte de validation (30%, n=356) pour établir et valider le modèle de prédiction. Un algorithme basé sur l'intelligence artificielle (InferRead CT Lung) a été appliqué pour extraire les paramètres de l'histogramme CT pour chaque nodule pulmonaire. Pour la sélection des caractéristiques, des modèles de régression multivariée ont été construits pour identifier les facteurs associés à l'invasivité tumorale. Le classificateur de régression logistique a été utilisé pour la construction de modèles radiomiques. La performance prédictive du modèle a ensuite été évaluée par roc et courbes d'étalonnage. Au total, 299 AIS/MIA et 889 IAC ont été inclus. Dans la cohorte de formation, l'analyse de régression logistique multivariée a démontré que l'âge [odds ratio (OR), 1,020 ; IC à 95 %, 1,004-1,037 ; p=0,017], les antécédents de tabagisme (OR, 1,846 ; IC à 95 %, 1,058-3,221 ; p=0,031), la densité moyenne solide (OR, 1,014 ; IC à 95 %, 1,004-1,024 ; p=0,008), le volume solide (OR, 5,858 ; IC à 95 %, 1,259-27,247 ; p = 0,037), le signe de rétraction pleurale (OR, 3,179 ; IC à 95 %, 1,057-9,559 ; p = 0,039), la variance (OR, 0,570 ; IC à 95 %, 0,399-0,813 ; p=0,002) et l'entropie (OR, 4,606 ; IC à 95 %, 2,750-7,717 ; p<0,001) étaient des prédicteurs indépendants de l'IAC. Les aires sous la courbe (ASC) dans les cohortes de formation et de validation ont indiqué une meilleure capacité discriminative du modèle d'histogramme (ASC=0,892) par rapport au modèle clinique (ASC = 0,852) et au modèle intégré (ASC=0,886). Nous avons développé un modèle d'histogramme basé sur l'IA, qui pourrait prédire de manière fiable l'invasivité tumorale dans l'adénocarcinome du poumon se manifestant sous forme de PSN. Cette constatation apporterait une valeur prometteuse en guidant la gestion de précision des PSN dans la pratique quotidienne.

Translated Description (Spanish)

La invasividad tumoral juega un papel clave en la determinación de la estrategia quirúrgica y el pronóstico del paciente en la práctica clínica. El estudio tuvo como objetivo explorar los indicadores del histograma de tomografía computarizada (TC) basada en inteligencia artificial relacionados significativamente con el estado de invasión del adenocarcinoma de pulmón que aparece como nódulos parcialmente sólidos (PSN) y construir modelos de radiomía para la predicción de la invasividad tumoral. Identificamos adenocarcinomas de pulmón resecados quirúrgicamente que se manifiestan como PSN en el Hospital Popular de la Universidad de Pekín desde enero de 2014 hasta octubre de 2019. Los tumores se clasificaron como adenocarcinoma in situ (AIS), adenocarcinoma mínimamente invasivo (MIA) y adenocarcinoma invasivo (IAC) mediante una evaluación patológica integral. Toda la cohorte se asignó aleatoriamente a un entrenamiento (70%, n=832) y una cohorte de validación (30%, n=356) para establecer y validar el modelo de predicción. Se aplicó un algoritmo basado en inteligencia artificial (InferRead CT Lung) para extraer los parámetros del histograma de CT para cada nódulo pulmonar. Para la selección de características, se construyeron modelos de regresión multivariada para identificar los factores asociados con la invasividad tumoral. Se utilizó el clasificador de regresión logística para la construcción de modelos de radiómica. El rendimiento predictivo del modelo se evaluó luego mediante curvas Roc y de calibración. En total, se incluyeron 299 AIS/mias y 889 IAC. En la cohorte de entrenamiento, el análisis de regresión logística multivariante demostró que la edad [odds ratio (OR), 1.020; IC del 95%, 1.004-1.037; p=0.017], antecedentes de tabaquismo (OR, 1.846; IC del 95%, 1.058-3.221; p=0.031), densidad media sólida (OR, 1.014; IC del 95%, 1.004-1.024; p=0.008], volumen sólido (OR, 5.858; IC del 95%, 1.259-27.247; p = 0.037), signo de retracción pleural (OR, 3.179; IC del 95%, 1.057-9.559; p = 0.039), varianza (OR, 0.570; IC del 95%, 0.399-0.813; p=0.002) y entropía (OR, 4.606; IC del 95%, 2.750-7.717; p<0.001) fueron predictores independientes para IAC. Las áreas bajo la curva (AUC) en las cohortes de entrenamiento y validación indicaron una mejor capacidad discriminativa del modelo de histograma (AUC=0.892) en comparación con el modelo clínico (AUC=0.852) y el modelo integrado (AUC=0.886). Desarrollamos un modelo de histograma basado en IA, que podría predecir de manera confiable la invasividad tumoral en el adenocarcinoma de pulmón que se manifiesta como PSN. Este hallazgo proporcionaría un valor prometedor para guiar la gestión de precisión de los PSN en la práctica diaria.

Files

pdf.pdf

Files (1.9 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:441108ff26fb7708229ac2492f8c9463
1.9 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
تحليل الرسم البياني للتصوير المقطعي المحوسب القائم على الذكاء الاصطناعي الذي يتنبأ بغزو الورم للأورام السرطانية الغدية الرئوية التي تظهر على شكل عقيدات إشعاعية صلبة جزئيًا
Translated title (French)
Analyse histographique par tomodensitométrie basée sur l'intelligence artificielle prédisant l'invasivité tumorale des adénocarcinomes pulmonaires se manifestant sous forme de nodules radiologiques partiellement solides
Translated title (Spanish)
Análisis de histograma de tomografía computarizada basado en inteligencia artificial que predice la invasividad tumoral de los adenocarcinomas de pulmón que se manifiestan como nódulos radiológicos parcialmente sólidos

Identifiers

Other
https://openalex.org/W4321615304
DOI
10.3389/fonc.2023.1096453

Is supplement to
https://openalex.org/W4388577230 (Other)
https://openalex.org/W4385221818 (Other)
https://openalex.org/W4383892348 (Other)
https://openalex.org/W4205100762 (Other)
https://openalex.org/W3030796519 (Other)
https://openalex.org/W3009210156 (Other)
https://openalex.org/W3000891326 (Other)
https://openalex.org/W2734724112 (Other)
https://openalex.org/W2582997534 (Other)
https://openalex.org/W2496284264 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1981880138
  • https://openalex.org/W2045359905
  • https://openalex.org/W2086685704
  • https://openalex.org/W2129597285
  • https://openalex.org/W2170250174
  • https://openalex.org/W2179117785
  • https://openalex.org/W2232363786
  • https://openalex.org/W2320993582
  • https://openalex.org/W2417898714
  • https://openalex.org/W2470662826
  • https://openalex.org/W2594032648
  • https://openalex.org/W2776442232
  • https://openalex.org/W2778333971
  • https://openalex.org/W2794038853
  • https://openalex.org/W2798127628
  • https://openalex.org/W2808024129
  • https://openalex.org/W2890658781
  • https://openalex.org/W2891034288
  • https://openalex.org/W2911691678
  • https://openalex.org/W2944993023
  • https://openalex.org/W2947167326
  • https://openalex.org/W2950186167
  • https://openalex.org/W2972534590
  • https://openalex.org/W3024071564
  • https://openalex.org/W3028141363
  • https://openalex.org/W3044550294
  • https://openalex.org/W3080199224
  • https://openalex.org/W3115892619
  • https://openalex.org/W3121927713
  • https://openalex.org/W3176493366
  • https://openalex.org/W3200814285
  • https://openalex.org/W3213574198
  • https://openalex.org/W4205313100
  • https://openalex.org/W4224035764
  • https://openalex.org/W4224316008
  • https://openalex.org/W4248924315
  • https://openalex.org/W4306830557
  • https://openalex.org/W4310384200
  • https://openalex.org/W4312735176