マルチパラメーターMRIに基づく放射性分析を使用した下垂体神経内分泌腫瘍におけるプロラクチノーマの同定

この研究の目的は、マルチパラメーターMRIに基づいた機械学習と放射性物質を使用して、下垂体神経内分泌腫瘍（PITNETS）の組織学的サブタイプを術前に予測する可能性を調査することを目的としています。2016年1月から2022年5月までのピットネット患者は、4つの医療センターから遡及的に登録されました。CFVB-NETネットワークを使用して、PitNet MultiParameter MRIを自動的にセグメント化しました。放射性の特徴はMRIから抽出され、各患者の放射性スコア（RADSCORE）が計算されました。組織学的サブタイプを予測するために、ラジオミクス機能に基づいたガウスプロセス（GP）機械学習分類器が実行されました。多分類（6クラスの組織学的サブタイプ）およびバイナリ分類（PRL対非PRL）GPモデルが構築されました。次に、多変量ロジスティック回帰分析を使用して、臨床因子とRADSCOREを組み合わせた臨床ラジオミクスノモグラムを構築しました。モデルのパフォーマンスは、受信機動作特性（ROC）曲線を使用して評価されました。PITNETの自動セグメンテーションモデルは、最終的に1206人の患者で0.888の平均ダイス類似性係数を達成しました（平均年齢49.3±SD年、52％の女性）。多分類モデルでは、T2WIの​​GPは、トレーニング、検証、および外部テストセットでそれぞれ0.791、0.801、および0.711で、ROC曲線（AUC）の下で最高の領域を獲得しました。バイナリ分類モデルでは、CE T1WIと組み合わせたT2WIの​​GPは、それぞれトレーニング、検証、および外部テストセットで0.936、0.882、および0.791のAUCと良好なパフォーマンスを実証しました。臨床ラジオミクスノモグラムでは、Radscoresとhardy 'グレードがPRL発現の予測因子として特定されました。MultiParameter MRIに基づく機械学習と放射性分析は、PITNET組織学的サブタイプの予測において高効率と臨床応用値を示しました。

This study aims to investigate the feasibility of preoperatively predicting histological subtypes of pituitary neuroendocrine tumors (PitNETs) using machine learning and radiomics based on multiparameter MRI. Patients with PitNETs from January 2016 to May 2022 were retrospectively enrolled from four medical centers. A cfVB-Net network was used to automatically segment PitNET multiparameter MRI. Radiomics features were extracted from the MRI, and the radiomics score (Radscore) of each patient was calculated. To predict histological subtypes, the Gaussian process (GP) machine learning classifier based on radiomics features was performed. Multi-classification (six-class histological subtype) and binary classification (PRL vs. non-PRL) GP model was constructed. Then, a clinical-radiomics nomogram combining clinical factors and Radscores was constructed using the multivariate logistic regression analysis. The performance of the models was evaluated using receiver operating characteristic (ROC) curves. The PitNET auto-segmentation model eventually achieved the mean Dice similarity coefficient of 0.888 in 1206 patients (mean age 49.3 ± SD years, 52% female). In the multi-classification model, the GP of T2WI got the best area under the ROC curve (AUC), with 0.791, 0.801, and 0.711 in the training, validation, and external testing set, respectively. In the binary classification model, the GP of T2WI combined with CE T1WI demonstrated good performance, with AUC of 0.936, 0.882, and 0.791 in training, validation, and external testing sets, respectively. In the clinical-radiomics nomogram, Radscores and Hardy' grade were identified as predictors for PRL expression. Machine learning and radiomics analysis based on multiparameter MRI exhibited high efficiency and clinical application value in predicting the PitNET histological subtypes.