Published March 5, 2024 | Version v1
Publication Open

Preoperative contrast-enhanced CT-based deep learning radiomics model for distinguishing retroperitoneal lipomas and well‑differentiated liposarcomas

Creators

  • 1. Peking University Third Hospital
  • 2. Peking University
  • 3. Chinese Academy of Medical Sciences & Peking Union Medical College
  • 4. Qingdao University
  • 5. Affiliated Hospital of Qingdao University

Description

Abstract Objectives To assess the efficacy of a preoperative contrast-enhanced CT (CECT) –based deep learning radiomics nomogram (DLRN) for predicting murine double minute 2 (MDM2) gene amplification as a means of distinguishing between retroperitoneal well-differentiated liposarcomas (WDLPS) and lipomas. Methods This retrospective multi-centre study included 167 patients (training/external test cohort, 104/63) with MDM2-positive WDLPS or MDM2-negative lipomas. Clinical data and CECT features were independently measured and analysed by two radiologists. A clinical model, radiomics signature (RS), deep learning and radiomics signature (DLRS), and a DLRN incorporating radiomics and deep learning features were developed to differentiate between WDLPS and lipoma. Model utility was evaluated on the basis of the area under the receiver operating characteristic curve (AUC), accuracy, calibration curve, and decision curve analysis (DCA). Results In the external test cohort, the DLRN showed a higher AUC (0.861; 95% confidence interval, 0.737-0.985), accuracy (0.810), and net benefit than the RS, DLRS, and clinical model. The calibration curve analysis and DCA demonstrated that the nomogram exhibited good calibration and offered substantial clinical advantages. Conclusions The DLRN can accurately distinguish between WDLPS and retroperitoneal lipomas by predicting MDM2 amplification status. Clinical relevance statement The DLRN shows good diagnostic capability in predicting WDLPS and retroperitoneal lipomas preoperatively. It holds promise as an imaging biomarker for facilitating personalised management and precision medicine.

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

Translated Description (Arabic)

الأهداف المجردة لتقييم فعالية التصوير المقطعي المحوسب المعزز بالتباين (CECT) القائم على التعلم العميق (DLRN) للتنبؤ بتضخيم جين الفئران في الدقيقة المزدوجة 2 (MDM2) كوسيلة للتمييز بين الأورام الشحمية المتمايزة جيدًا خلف الصفاق (WDLPS) والأورام الشحمية. الطرق شملت هذه الدراسة متعددة المراكز بأثر رجعي 167 مريضًا (مجموعة تدريب/اختبار خارجي، 104/63) مصابين بأورام شحمية WDLPS موجبة لـ MDM2 أو أورام شحمية سالبة لـ MDM2. تم قياس وتحليل البيانات السريرية وميزات التصوير المقطعي المحوسب بالأشعة السينية بشكل مستقل من قبل اثنين من أخصائيي الأشعة. تم تطوير نموذج سريري، وتوقيع علم الأشعة (RS)، وتوقيع التعلم العميق وعلم الأشعة (DLRS)، و DLRN يتضمن علم الأشعة وميزات التعلم العميق للتمييز بين WDLPS والورم الشحمي. تم تقييم الأداة المساعدة النموذجية على أساس المنطقة الواقعة تحت منحنى خصائص تشغيل جهاز الاستقبال (AUC) والدقة ومنحنى المعايرة وتحليل منحنى القرار (DCA). النتائج في فوج الاختبار الخارجي، أظهر DLRN مستوى أعلى من AUC (0.861 ؛ 95 ٪ فاصل الثقة، 0.737-0.985)، والدقة (0.810)، والفائدة الصافية من RS، DLRS، والنموذج السريري. أظهر تحليل منحنى المعايرة و DCA أن الرسم البياني أظهر معايرة جيدة وقدم مزايا سريرية كبيرة. الاستنتاجات يمكن لـ DLRN التمييز بدقة بين WDLPS والأورام الشحمية خلف الصفاق من خلال التنبؤ بحالة تضخيم MDM2. بيان الأهمية السريرية يُظهر DLRN قدرة تشخيصية جيدة في التنبؤ بـ WDLPS والأورام الشحمية خلف الصفاق قبل الجراحة. إنه يبشر بالخير كمؤشر حيوي للتصوير لتسهيل الإدارة الشخصية والطب الدقيق.

Translated Description (French)

Résumé Objectifs Évaluer l'efficacité d'un nomogramme radiomique d'apprentissage en profondeur (DLRN) préopératoire basé sur le contraste (CECT) pour prédire l'amplification du gène de la double minute 2 murine (MDM2) comme moyen de faire la distinction entre les liposarcomes rétropéritonéaux bien différenciés (WDLPS) et les lipomes. Méthodes Cette étude multicentrique rétrospective a inclus 167 patients (formation/cohorte de test externe, 104/63) avec des lipomes MDM2-positifs WDLPS ou MDM2-négatifs. Les données cliniques et les caractéristiques CECT ont été mesurées et analysées indépendamment par deux radiologues. Un modèle clinique, une signature radiomique (RS), une signature d'apprentissage profond et de radiomique (DLRS) et un DLRN intégrant des fonctionnalités de radiomique et d'apprentissage profond ont été développés pour différencier le WDLPS et le lipome. L'utilité du modèle a été évaluée sur la base de la zone sous la courbe caractéristique de fonctionnement du récepteur (AUC), de la précision, de la courbe d'étalonnage et de l'analyse de la courbe de décision (DCA). Résultats Dans la cohorte de test externe, le DLRN a montré une ASC (0,861 ; intervalle de confiance à 95 %, 0,737-0,985), une précision (0,810) et un bénéfice net plus élevés que le RS, le DLRS et le modèle clinique. L'analyse de la courbe d'étalonnage et le DCA ont démontré que le nomogramme présentait un bon étalonnage et offrait des avantages cliniques substantiels. Conclusions Le DLRN peut distinguer avec précision les lipomes WDLPS des lipomes rétropéritonéaux en prédisant le statut d'amplification de MDM2. Déclaration de pertinence clinique Le DLRN montre une bonne capacité diagnostique dans la prédiction préopératoire des lipomes WDLPS et rétropéritonéaux. Il est prometteur en tant que biomarqueur d'imagerie pour faciliter la gestion personnalisée et la médecine de précision.

Translated Description (Spanish)

Resumen Objetivos Evaluar la eficacia de un nomograma radiológico de aprendizaje profundo (DLRN) basado en TC preoperatoria con contraste (CECT) para predecir la amplificación génica murina de doble minuto 2 (MDM2) como medio para distinguir entre liposarcomas retroperitoneales bien diferenciados (WDLPS) y lipomas. Métodos Este estudio retrospectivo multicéntrico incluyó 167 pacientes (cohorte de entrenamiento/prueba externa, 104/63) con lipomas positivos para MDM2 WDLPS o negativos para MDM2. Dos radiólogos midieron y analizaron de forma independiente los datos clínicos y las características de la CECT. Se desarrolló un modelo clínico, firma de radiómica (RS), firma de aprendizaje profundo y radiómica (DLRS) y una DLRN que incorpora características de radiómica y aprendizaje profundo para diferenciar entre WDLPS y lipoma. La utilidad del modelo se evaluó sobre la base del área bajo la curva característica operativa del receptor (AUC), la precisión, la curva de calibración y el análisis de la curva de decisión (DCA). Resultados En la cohorte de prueba externa, el DLRN mostró un AUC más alto (0.861; intervalo de confianza del 95%, 0.737-0.985), precisión (0.810) y beneficio neto que el RS, DLRS y el modelo clínico. El análisis de la curva de calibración y el DCA demostraron que el nomograma presentaba una buena calibración y ofrecía ventajas clínicas sustanciales. Conclusiones La DLRN puede distinguir con precisión entre WDLPS y lipomas retroperitoneales al predecir el estado de amplificación de MDM2. Declaración de relevancia clínica La DLRN muestra una buena capacidad diagnóstica para predecir WDLPS y lipomas retroperitoneales antes de la operación. Es prometedor como biomarcador de imagen para facilitar la gestión personalizada y la medicina de precisión.

Files

latest.pdf.pdf

Files (4.5 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:ac1e9ad8ca05a238f8d59b581d8c33c0
4.5 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نموذج مشع للتعلم العميق المعزز بالتباين قبل الجراحة للتمييز بين الأورام الشحمية خلف الصفاق والأورام الشحمية المتمايزة جيدًا
Translated title (French)
Modèle de radiomique d'apprentissage en profondeur par tomodensitométrie préopératoire à contraste amélioré pour distinguer les lipomes rétropéritonéaux et les liposarcomes bien différenciés
Translated title (Spanish)
Modelo de radiómica de aprendizaje profundo basado en TC con contraste preoperatorio para distinguir lipomas retroperitoneales y liposarcomas bien diferenciados

Identifiers

Other
https://openalex.org/W4392454087
DOI
10.21203/rs.3.rs-3999164/v1

Is supplement to
https://openalex.org/W4389568370 (Other)
https://openalex.org/W3108674512 (Other)
https://openalex.org/W3032375762 (Other)
https://openalex.org/W3031052312 (Other)
https://openalex.org/W2748952813 (Other)
https://openalex.org/W2148612803 (Other)
https://openalex.org/W2080531066 (Other)
https://openalex.org/W1995515455 (Other)
https://openalex.org/W1506200166 (Other)
https://openalex.org/W1489783725 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
China

References

  • https://openalex.org/W1765907246
  • https://openalex.org/W1989420379
  • https://openalex.org/W2033944021
  • https://openalex.org/W2043731110
  • https://openalex.org/W2070562266
  • https://openalex.org/W2094619737
  • https://openalex.org/W2101407531
  • https://openalex.org/W2149195191
  • https://openalex.org/W2174661749
  • https://openalex.org/W2253429366
  • https://openalex.org/W2318872159
  • https://openalex.org/W2782896508
  • https://openalex.org/W2788633781
  • https://openalex.org/W2891076318
  • https://openalex.org/W2905524349
  • https://openalex.org/W2910380368
  • https://openalex.org/W2913754119
  • https://openalex.org/W2931831064
  • https://openalex.org/W3001564701
  • https://openalex.org/W3004399419
  • https://openalex.org/W3027591154
  • https://openalex.org/W3087600957
  • https://openalex.org/W3087914383
  • https://openalex.org/W3139820174
  • https://openalex.org/W4223892213
  • https://openalex.org/W4301516339
  • https://openalex.org/W4384120639