The aim of this study is to predict the prognosis in patients with metastatic rectal cancer (mRC) by obtaining a model with machine learning (ML) algorithms through volumetric and radiomic data obtained from baseline 18-Fluorine Fluorodeoxyglucose (18F-FDG) positron emission tomography/computed tomography (PET/CT) images.
MethodsSixty-two patients with mRC who underwent 18F-FDG PET/CT imaging for staging between January 2015 and January 2021 were evaluated using LIFEx software. The volume of interest (VOI) of the primary tumor was generated and volumetric and textural features were obtained from this VOI. In addition, metabolic tumor volume (tMTV) and total lesion glycolysis (tTLG) values of tumor foci in the whole body. Clinical and radiomic data were evaluated with ML algorithms to create a model that predicts survival. Significant associations between these features and 1-year and 2-year survival were investigated.
ResultsRandom forest algorithm was the most successful algorithm in predicting 2-year survival (AUC: 0.843, PRC: 0.822, and MCC: 0.583). The model obtained with this algorithm was able to predict 49 patients with 79.03% accuracy. While tMTV and tTLG values were successful in predicting 1-year survival (p: 0.002 and 0.007, respectively), texture characteristics from the primary tumor did not show a significant relationship with 1-year survival.
ConclusionsIn addition to the important role of 18F-FDG PET/CT in staging patients with mRC, this study shows that it is possible to predict survival with ML methods, with parameters obtained using texture analysis from the primary tumor and whole body volumetric parameters.
El objetivo de este estudio es predecir el pronóstico de pacientes con cáncer de recto metastásico (CRM) mediante la obtención de modelo con algoritmos de aprendizaje automático (AA) a través de datos volumétricos y radiómicos obtenidos de la PET/TC basal.
MétodosPacientes con CRM que se sometieron a imágenes PET/TC 18F-FDG para estadificación en nuestro hospital entre enero 2015 y enero de 2021 fueron evaluados mediante el software LIFEx. El volumen de interés (VOl) del tumor primario fue generado. Además, se calcularon los valores de volumen tumoral metabólico (tMTV) y glucólisis de lesión total (tTLG) de los todos los focos tumorales. Se evaluaron los datos clínicos y radiómicos con algoritmos de AA para crear un modelo que predijera la supervivencia. Se investigaron asociaciones significativas entre estas características y la supervivencia a 1 y 2 años.
ResultadosEl algoritmo de bosque aleatorio fue el algoritmo más exitoso para predecir la supervivencia a 2 años (AUC: 0,843, PRC: 0,822 y MCC: 0,583). Los valores de tMTV y tTLG tuvieron éxito en la predicción de la supervivencia a 1 año (p: 0,002 y 0,007, respectivamente), las características de la textura del tumor primario no mostraron una relación significativa con la supervivencia a 1 año.
ConclusionesAdemás del importante papel de la PET-TC 18F-FDG en la estadificación de pacientes con CRM, este estudio muestra que es posible predecir la supervivencia con métodos AA, con parámetros obtenidos mediante el análisis de textura a partir de el tumor primario y parámetros volumétricos de cuerpo completo.
Artículo
Revista Española de Medicina Nuclear e Imagen Molecular (English Edition)
Comprando el artículo el PDF del mismo podrá ser descargado
Precio 19,34 €
Comprar ahora