Predicting von hippel lindau (VHL), polybromo-1 (PBRM1)mutations and stages of clear cell renal cell carcinomafrom computed tomography images by machine learning

Abstract

BHK en fazla görülen böbrek kanseridir ve BHBK, en sık görülen BHK alt tipidir.BHBK çalısmaları kanserli BT görüntüleri ile gen mutasyonları arasında birkorelasyon oldugunu göstermektedir (radyogenomik). Ayrıca, prognozun VHL mutasyonunuile güçlü bir iliskisi oldugu, ve BHBK için hayatta kalma belirteci oldugu raporedilmistir. PBRM1 geni, BHBK'de en yaygın ikinci mutasyondur. BHBK'ni tanımlamakiçin büyük bir potansiyele ve BHBK nın ilerlemesinde kritik bir role sahiptir. Dahası,mevcut tedavi olanakları çogunlukla evre bilgileriyle ilgilidir. Erken evrede BHK'lıhastaların% 50'sinden fazlası tedavi edilir, ancak tedavi seçenekleri evre 3 ve 4'te sınırlıdır.Bu nedenle erken tanı hastalar için önemlidir. Ayrıca, yaygın olarak kullanılantanı yöntemleriden biyopsi, hastayı duygusal tahrip etme, saglıklı dokuya zarar vermeveya tümörü yayabilme potansiyeline sahiptir. Bir axial slayt üzerinden en buyuk tumoregore nicel 2D BT görüntüleriyle, VHL ve PBRM1 mutasyonları ile evrenin dogruluklatahmin edilebilecegini varsaydık. TCGA-KIRC datasını kullandık ve ilgili bölgeuzman bir radyolog tarafından çizildi. Radiogenomik ozellikler çıkarılıkdıktan sonraözellik seçimleri yapıldı. MATLAB'da hem CL hem de ANN kullanılarak sınıflandırmayapıldı. Alınan sonuçlar, CL'de Fine Gaussian SVM modelinin VHL ve NON-VHLverilerini 68.6%, k-NN with Random Subspace modelinin PBRM1 ve NON-PBRM1'i% 84.9 dereceleriyle dogru tahmin edebildigini gösterirken, ANN modelinin evreyi %91.9 dogru tahmin edebildigini gösterdi. Bu çalısmadan, ML ile tek slayt bazlı nicel2D BT doku analizinin, BHBK'li hastalarda VHL ve PBRM1 mutasyonlarını ve evreyitahmin etmek için uygun ve potansiyellı bir yöntem oldugu anlasılmaktadır.

RCC is the most prevalent renal malignancy and ccRCC is the most commonsubtype of RCC. It is reported that the prognosis has a strong association with VHL alteration,and VHL mutation plays a role as a predictive and survival marker for ccRCC.It is also reported that PBRM1 gene has great potential to identify ccRCC and a criticalrole in ccRCC progression. It is the second most common alteration in ccRCC.Moreover, available treatment opportunities are mostly related to stage information.More than 50% of patients with early-stage RCC are cured, but the treatment optionsare limited in stage 3 and 4. Therefore, early diagnosis is major for the patients. Thecommonly used diagnosis method, namely biopsy, always has the potential to devastatethe patient emotionally, damage the healthy tissue, or spread the tumor. In addition,studies of ccRCC indicate that there is a correlation between cancer CT imaging featuresand gene expression (radiogenomics). We hypothesized that from quantitative2D CT images via one slice with the biggest tumor, both VHL and PBRM1 mutationsand stages can be predicted with accuracy using machine learning algorithms. TCGAKIRCdata were collected and divided according to specific gene mutations and stages.The tumor was segmented by an expert radiologist. After feature extraction, featureselection was performed. Finally, classification was done by using CL and ANN onMatlab. Our results showed that Fine Gaussian SVM model is able to predict VHLand NON-VHL data with 68.6%, k-NN with Random Subspace model is able to predictPBRM1 and NON-PBRM1 with 84.9% ,and ANN predicted stages with 91.90%accuracies. From this study, it appears that ML-based quantitative 2D CT analysisusing one slice for each patient is a feasible and potential method for predicting thestatus of VHL and PBRM1 mutations and stages of patients with ccRCC.