Published June 6, 2022 | Version v1
Publication Open

A Radiomics Model for Preoperative Predicting Sentinel Lymph Node Metastasis in Breast Cancer Based on Dynamic Contrast-Enhanced MRI

Creators

  • 1. Peking University First Hospital
  • 2. Peking University

Description

Purpose To develop a radiomics model based on preoperative dynamic contrast-enhanced MRI (DCE-MRI) to identify sentinel lymph node (SLN) metastasis in breast cancer (BC) patients. Materials and Methods The MRI images and clinicopathological data of 142 female primary BC patients from January 2017 to December 2018 were included in this study. The patients were randomly divided into the training and testing cohorts at a ratio of 7:3. Four types of radiomics models were built: 1) a radiomics model based on the region of interest (ROI) of breast tumor; 2) a radiomics model based on the ROI of intra- and peri-breast tumor; 3) a radiomics model based on the ROI of axillary lymph node (ALN); 4) a radiomics model based on the ROI of ALN and breast tumor. Receiver operating characteristic (ROC) curve analysis and decision curve analysis (DCA) were used to assess the performance of the three radiomics models. The technique for order of preference by similarity to ideal solution (TOPSIS) through decision matrix analysis was used to select the best model. Results Models 1, 2, 3, and 4 yielded AUCs of 0.977, 0.999, 0.882, and 1.000 in the training set and 0.699, 0.817, 0.906, and 0.696 in the testing set, respectively, in terms of predicting SLN metastasis. Model 3 had the highest AUC in the testing cohort, and only the difference from Model 1 was statistically significant ( p = 0.022). DCA showed that Model 3 yielded a greater net benefit to predict SLN metastasis than the other three models in the testing cohort. The best model analyzed by TOPSIS was Model 3, and the method's names for normalization, dimensionality reduction, feature selection, and classification are mean, principal component analysis (PCA), ANOVA, and support vector machine (SVM), respectively. Conclusion ALN radiomics feature extraction on DCE-MRI is a potential method to evaluate SLN status in BC patients.

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

Translated Description (Arabic)

الغرض تطوير نموذج إشعاعي يعتمد على التصوير بالرنين المغناطيسي المعزز بالتباين الديناميكي قبل الجراحة (DCE - MRI) لتحديد نقائل العقدة الليمفاوية الخافرة (SLN) في مرضى سرطان الثدي (BC). المواد والأساليب تم تضمين صور التصوير بالرنين المغناطيسي والبيانات السريرية المرضية لـ 142 مريضة في كولومبيا البريطانية من يناير 2017 إلى ديسمبر 2018 في هذه الدراسة. تم تقسيم المرضى بشكل عشوائي إلى مجموعات التدريب والاختبار بنسبة 7:3. تم بناء أربعة أنواع من نماذج علم الأشعة: 1) نموذج علم الأشعة بناءً على المنطقة محل الاهتمام (ROI) لورم الثدي ؛ 2) نموذج علم الأشعة بناءً على عائد الاستثمار للورم داخل الثدي وحوله ؛ 3) نموذج علم الأشعة بناءً على عائد الاستثمار للعقدة الليمفاوية الإبطية (ALN )؛ 4) نموذج علم الأشعة بناءً على عائد الاستثمار لـ ALN وورم الثدي. تم استخدام تحليل منحنى خصائص تشغيل جهاز الاستقبال (ROC) وتحليل منحنى القرار (DCA) لتقييم أداء نماذج علم الإشعاع الثلاثة. تم استخدام تقنية ترتيب التفضيل عن طريق التشابه مع الحل المثالي (TOPSIS) من خلال تحليل مصفوفة القرار لاختيار أفضل نموذج. أسفرت نماذج النتائج 1 و 2 و 3 و 4 عن AUCs من 0.977 و 0.999 و 0.882 و 1.000 في مجموعة التدريب و 0.699 و 0.817 و 0.906 و 0.696 في مجموعة الاختبار، على التوالي، من حيث التنبؤ بنقائل SLN. كان للنموذج 3 أعلى مساحة تحت المنحنى في مجموعة الاختبار، وكان الاختلاف عن النموذج 1 فقط ذا دلالة إحصائية ( p = 0.022). أظهرت DCA أن النموذج 3 حقق فائدة صافية أكبر للتنبؤ بنقائل سلن من النماذج الثلاثة الأخرى في مجموعة الاختبار. كان أفضل نموذج تم تحليله بواسطة TOPSIS هو النموذج 3، وأسماء الطريقة للتطبيع، وتقليل الأبعاد، واختيار الميزات، والتصنيف هي المتوسط، وتحليل المكونات الرئيسية (PCA)، و ANOVA، وآلة ناقلات الدعم (SVM)، على التوالي. الاستنتاج: يعد استخلاص ميزة التصوير الإشعاعي ALN على التصوير بالرنين المغناطيسي DCE طريقة محتملة لتقييم حالة سلن في مرضى كولومبيا البريطانية.

Translated Description (French)

Objectif Développer un modèle radiomique basé sur l'IRM dynamique à contraste amélioré (IRM-DCE) préopératoire pour identifier les métastases des ganglions lymphatiques sentinelles (SLN) chez les patientes atteintes d'un cancer du sein (BC). Matériels et méthodes Les images IRM et les données clinicopathologiques de 142 patientes BC primaires de janvier 2017 à décembre 2018 ont été incluses dans cette étude. Les patients ont été répartis au hasard dans les cohortes de formation et de test à un ratio de 7:3. Quatre types de modèles radiomiques ont été construits : 1) un modèle radiomique basé sur la région d'intérêt (ROI) de la tumeur du sein ; 2) un modèle radiomique basé sur le roi de la tumeur intra et péri sein ; 3) un modèle radiomique basé sur le roi du ganglion lymphatique axillaire (ALN) ; 4) un modèle radiomique basé sur le roi de l'ALN et de la tumeur du sein. L'analyse de la courbe des caractéristiques de fonctionnement du récepteur (roc) et l'analyse de la courbe de décision (DCA) ont été utilisées pour évaluer les performances des trois modèles radiomiques. La technique de l'ordre de préférence par similarité à la solution idéale (TOPSIS) par analyse matricielle de décision a été utilisée pour sélectionner le meilleur modèle. Les modèles de résultats 1, 2, 3 et 4 ont donné des ASC de 0,977, 0,999, 0,882 et 1,000 dans l'ensemble d'entraînement et de 0,699, 0,817, 0,906 et 0,696 dans l'ensemble de test, respectivement, en termes de prédiction des métastases SLN. Le modèle 3 avait l'ASC la plus élevée dans la cohorte de test, et seule la différence par rapport au modèle 1 était statistiquement significative ( p = 0,022). Le DCA a montré que le modèle 3 présentait un bénéfice net plus important pour prédire les métastases SLN que les trois autres modèles de la cohorte de test. Le meilleur modèle analysé par TOPSIS était le modèle 3, et les noms de la méthode pour la normalisation, la réduction de la dimensionnalité, la sélection des caractéristiques et la classification sont la moyenne, l'analyse en composantes principales (PCA), l'ANOVA et la machine à vecteurs de support (SVM), respectivement. Conclusion L'extraction des caractéristiques radiomiques de l'ALN sur l'IRM-DCE est une méthode potentielle pour évaluer le statut du SLN chez les patients atteints de CB.

Translated Description (Spanish)

Propósito Desarrollar un modelo radiológico basado en resonancia magnética dinámica preoperatoria con contraste (DCE-MRI) para identificar la metástasis del ganglio linfático centinela (SLN) en pacientes con cáncer de mama (BC). Materiales y métodos Se incluyeron en este estudio las imágenes de resonancia magnética y los datos clinicopatológicos de 142 pacientes primarias de BC desde enero de 2017 hasta diciembre de 2018. Los pacientes se dividieron aleatoriamente en las cohortes de entrenamiento y pruebas en una proporción de 7:3. Se construyeron cuatro tipos de modelos radiómicos: 1) un modelo radiómico basado en la región de interés (ROI) del tumor de mama; 2) un modelo radiómico basado en el ROI del tumor intramamario y perimamario; 3) un modelo radiómico basado en el ROI del ganglio linfático axilar (ALN); 4) un modelo radiómico basado en el ROI del ALN y EL tumor de mama. El análisis de la curva de la característica operativa del receptor (Roc) y el análisis de la curva de decisión (DCA) se utilizaron para evaluar el rendimiento de los tres modelos radiológicos. Se utilizó la técnica de orden de preferencia por similitud con la solución ideal (TOPSIS) a través del análisis de la matriz de decisión para seleccionar el mejor modelo. Los modelos de resultados 1, 2, 3 y 4 arrojaron AUC de 0.977, 0.999, 0.882 y 1.000 en el conjunto de entrenamiento y 0.699, 0.817, 0.906 y 0.696 en el conjunto de prueba, respectivamente, en términos de predicción de metástasis de SLN. El Modelo 3 tuvo el AUC más alto en la cohorte de prueba, y solo la diferencia del Modelo 1 fue estadísticamente significativa ( p = 0.022). DCA mostró que el Modelo 3 produjo un mayor beneficio neto para predecir la metástasis de SLN que los otros tres modelos en la cohorte de prueba. El mejor modelo analizado por TOPSIS fue el Modelo 3, y los nombres del método para la normalización, la reducción de la dimensionalidad, la selección de características y la clasificación son media, análisis de componentes principales (PCA), ANOVA y máquina de vectores de soporte (SVM), respectivamente. Conclusión La EXTRACCIÓN de la característica radiómica de ALN en DCE-MRI es un método potencial para evaluar el estado de SLN en pacientes con BC.

Files

pdf.pdf

Files (2.6 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
md5:2e435aa3c3548d8f88815bac3032529f
2.6 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نموذج إشعاعي للتنبؤ قبل الجراحة بنقائل العقدة الليمفاوية الحارسة في سرطان الثدي بناءً على التصوير بالرنين المغناطيسي المحسن بالتباين الديناميكي
Translated title (French)
A Radiomics Model for Preoperative Predicting Sentinel Lymph Node Metastasis in Breast Cancer Based on Dynamic Contrast-Enhanced MRI
Translated title (Spanish)
Un modelo radiológico para la predicción preoperatoria de metástasis de ganglios linfáticos centinela en el cáncer de mama basado en resonancia magnética dinámica mejorada con contraste

Identifiers

Other
https://openalex.org/W4281906446
DOI
10.3389/fonc.2022.884599

Is supplement to
https://openalex.org/W4283707141 (Other)
https://openalex.org/W3152118942 (Other)
https://openalex.org/W3134727734 (Other)
https://openalex.org/W3091918563 (Other)
https://openalex.org/W3086789592 (Other)
https://openalex.org/W2886637603 (Other)
https://openalex.org/W2384398519 (Other)
https://openalex.org/W2354773683 (Other)
https://openalex.org/W2258990890 (Other)
https://openalex.org/W2029101088 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1850999050
  • https://openalex.org/W1996578820
  • https://openalex.org/W2073092910
  • https://openalex.org/W2090178088
  • https://openalex.org/W2140727296
  • https://openalex.org/W2142875113
  • https://openalex.org/W2271921397
  • https://openalex.org/W2516286794
  • https://openalex.org/W2747930650
  • https://openalex.org/W2889261422
  • https://openalex.org/W2979078804
  • https://openalex.org/W3013243377
  • https://openalex.org/W3070527583
  • https://openalex.org/W3093628902
  • https://openalex.org/W3096695779
  • https://openalex.org/W3111471645
  • https://openalex.org/W3126445005
  • https://openalex.org/W606270937