ÖZET

Sonuç:

¹⁸F-FDG PET/BT doku özelliklerine dayalı makine öğrenimi, iyi huylu ve kötü huylu akciğer nodüllerini ayırt etmek için geleneksel değerlendirmeye katkıda bulunabilir.

Bulgular:

Tahmine dayalı modeller, SPN’lerin ayırıcı tanısı için makul performans sağlandı (EAA’ler ~0,81). Radyomik modellerin doğruluğu ve EAA’sı görsel yorumlamaya benzerdi. Ancak geleneksel değerlendirme ile karşılaştırıldığında, derin öğrenme modelinin duyarlılığı (%88’e karşı %83) ve klasik öğrenme modelinin özgüllüğü (%86’ya karşı %79) daha yüksekti.

Yöntem:

¹⁸F-FDG PET/BT taramasında SPN saptanan 48 hastanın verileri geriye dönük olarak değerlendirildi. PET/BT görüntülerinden doku özelliği çıkarımı, açık kaynaklı bir uygulama (LIFEx) kullanılarak yapıldı. Modelleri oluşturmak için derin öğrenme ve klasik makine öğrenme algoritmaları kullanıldı. Patoloji ve izlem ile kesinleşen tanı referans olarak kabul edildi. Modellerin performansları şu metriklerle değerlendirildi: Duyarlılık, özgüllük, doğruluk ve alıcı operatör özellikleri eğrisi altındaki alan (EAA).

Amaç:

Bu çalışmada, ¹⁸flor-florodeoksiglukoz (¹⁸F-FDG) pozitron emisyon tomografisi/bilgisayarlı tomografi (PET/BT) radyomik özelliklerinin makine öğrenme yöntemleriyle birleştirilmesinin benign ve malign soliter pulmoner nodülleri (SPN) ayırt etme yeteneğini değerlendirmeyi amaçladık.