Radiomics analysis of 3D computed tomography images for predicting the ISUP grade of clear cell renal cell carcinoma tumors

Abstract

Böbrek hücresi kanseri (BHK) tüm böbrek kanserlerinin %85 ila %90'ını oluşturur ve berrak hücreli böbrek kanseri (BHBK) en yaygın alt tipidir. 2020 yılında 430,000 yeni vaka teşhis edilmiş ve bunların 179,000'i hayatını kaybetmiştir. Tedavi sürecinin daha verimli bir şekilde yürütülebilmesi için tümör derecesinin girişimsel olmayan ve yüksek doğruluk oranına sahip yöntemlerle belirlenmesi önemlidir. Son zamanlarda yapılan çalışmalar CT görüntülerinden elde edilen radiomics özelliklerinin tümör derecelendirme işlemlerinde kullanılabileceği yönünde ama klinikte kullanılabilmesinin önünde verilerin standart olmaması ve kullanıma uygun olmaması gibi engeller var. Biz bu çalışmada 3B ve 2B radiomics özellikleri kullanarak ensemble makine öğrenmesi modelleri oluşturmayı, mevcut engellerin üstesinden gelmeyi ve daha yüksek başarımla tümör derecelendirmeyi amaçladık. Çalışmaya görüntüleri The Cancer Imaging Archive'dan alınmış 143 hasta dahil edildi. Veri setindeki sınıflar arası dağılım eşitsizliğini gidermek için veri artırma yöntemlerine başvuruldu ve her hastadan çıkarılan binlerce radiomics özelliği sadece en değerli olanlar kalacak şekilde elendi. Asıl tümör alanına ek olarak 5 farklı alan daha segmente edildi ve segmentasyonda yapılacak yanlışların sonuçları ne derecede etkileyeceği araştırıldı. En yüksek başarım olan 0.89 ± 0.02 AUC, SMOTE ve Light Gradient Boosting Method (LightGBM) algoritması kombinasyonunda elde edildi. Sonuç olarak, BHBK tümör derecesini, bir veri setinin yetersizliğine rağmen yüksek güvenilirlikle tahmin edebildik ayrıca en iyi modelimizin segmentasyondaki küçük hatalara rağmen performans kaybı olmadan çalışabildiğinigözlemledik.

Renal cell carcinoma (RCC) constitutes %85 to %90 of all kidney malignancies. In 2020, 430,000 new cases were diagnosed and 179,000 of them lost their lives. Clear cell renal cell carcinoma (ccRCC) is the most common sub-type of RCC with approximately %80 occurrence rate. Accurate, non-invasive and preoperative determination of the International Society of Urological Pathology (ISUP) based tumor grade is important for the effective management of patients with ccRCC. Recent studies showed that CT radiomics can offer the means to predict this grade but there are some problems about data such as scarcity, unbalancing and standardization. In this study, we aimed to improve discrimination power between grades via using 3D and 2D radiomics features and ensemble machine learning methods. Radiomics features were extracted from 143 CT images obtained from the publicly available data set from The Cancer Imaging Archive. Over sampling methods and series of feature selection methods were applied to reduce the number of features. Besides the actual tumor volume, 5 additional VOIs were created to consider peritumor regions and test the robustness of the model against variations in segmentation for three ensemble machine learning algorithms. The best result was found when SMOTE was used in combination with Light Gradient Boosting Method (LightGBM) AUC of 0.89 ± 0.02. As a result, ccRCC tumor grade can be predicted from 3D CT images with a high reliability despite the inadequacy of a dataset. The algorithm is moderately robust against deviations in segmentation by observers.