Yöntem makalesi

T3–T4 Küçük Hücreli Dışı Akciğer Kanseri'nin Nüks Paterni Sınıflandırması için Preoperatif Bilgisayarlı Tomografi Radyomikleri

4 görüntülenme

⸱

DOI:

10.3791/70929

⸱

22 Eylül 2026

 ,  ,  ,  ,  ,  ,  ,  , 
1School of Medical Imaging, Nanjing Medical University, 2Department of Radiology, Southeast University, 3Department of Radiology, Jinling Hospital, 4Stanford Center for Biomedical Informatics Research (BMIR), Department of Medicine

Bu makalede

Özet

T3–4 küçük hücreli dışı akciğer kanserinin tam rezeksiyonu sonrası, tümör ve peritümoral özellikleri birleştiren preoperatif BT tabanlı bir radyomik model, uzak metastaz ilerlemesinden kaynaklanan postoperatif lokal nüksü etkili bir şekilde öngörmektedir.

Özet

T3 ve T4 küçük hücreli dışı akciğer kanseri (KHDAK) olan hastalarda cerrahi sonrası lokal nüks, önemli bir klinik zorluk olmaya devam etmektedir. Lokal nüksü karakterize etmek için standart bir ameliyat öncesi görüntüleme tabanlı stratejinin eksikliğini gidermek amacıyla, intratümöral ve peritümöral heterojenliği yakalamak ve R0 rezeksiyon sonrası lokal nüksü uzak metastazdan ayırt etmek için bilgisayarlı tomografi (BT) tabanlı bir radyomik çerçeve sunulmuştur. Önerilen protokol, ameliyat öncesi kontrastlı BT görüntülerindeki tümör ve peritümöral bölgelerden çıkarılan radyomik özellikleri entegre eder. Uygulama kohortu, Ocak 2013 ile Aralık 2020 arasında R0 rezeksiyon ile cerrahi operasyon geçiren, patolojik olarak doğrulanmış T3–T4, N0–2, M0 KHDAK olan 103 hastadan oluşmuştur. Bunların 33'ünde lokal nüks, 70'inde ise uzak metastaz gelişmiştir. Tüm ön işleme, özellik seçimi, normalizasyon, hiperparametre ayarı, model uydurma ve eşik belirleme işlemleri eğitim kohortu ile sınırlandırılmıştır. Sadece tümöre dayalı, peritümöral ve kombine radyomik modeller, ayrı tutulan bir doğrulama kohortunda değerlendirilmiştir. Klinik özellikler, tümör lokasyonu, ameliyat öncesi laboratuvar parametreleri ve tedavi bilgileri toplanmıştır. Önerilen çerçevenin davranışını karakterize etmek için tümöre özgü ve tümör-peritümöral kombine radyomik temsiller oluşturulmuş ve değerlendirilmiştir. Doğrulama kohortunda, peritümöral radyomik temsil, sadece tümör özelliklerine kıyasla geliştirilmiş bir ayırt etme kapasitesi göstermiş; kombine tümör-peritümöral çerçeve ise en stabil ve tutarlı performansı (AUC = 0.80) sergilemiştir. Bu protokol, R0 rezeksiyon sonrası postoperatif başarısızlık paternlerini ayırt etmek için standart bir BT radyomik iş akışının ön gösterimidir; klinik uygulamadan önce çok merkezli harici doğrulama gereklidir.

Giriş

Tam cerrahi rezeksiyon, lokal ileri evre KHÜS (LA-NSCLC) olanlar da dahil olmak üzere, rezeke edilebilir küçük hücreli dışı akciğer kanseri (KHÜS) olan hastalar için standart tedavi olmaya devam etmektedir. Patolojik cerrahi sınır durumu, anında prognostik ve terapötik çıkarımlara sahiptir: R0 rezidüel tümör olmadığını, R1 mikroskobik rezidüel tümörü ve R2 makroskobik rezidüel tümörü ifade eder. Eksik rezeksiyon, olumsuz sonuçlarla ilişkilidir ve postoperatif tedaviyi etkileyebilir1,2,3,4. Bu nedenle, lokal nüks riskinin doğru bir şekilde karakterize edilmesi, lokal ileri evre KHÜS'te tedavi planlamasının kritik bir bileşenidir.

Güncel klinik uygulamada, patolojik sınırın belirlenmesinde patoloji incelemesi referans standart yöntem olarak kabul edilmektedir. Ancak, tümörlerin heterojen yapısı nedeniyle örnekleme yanlılığı söz konusudur. Sonuç olarak, küçük fakat anlamlı yalancı negatif oranları olduğu için bu yöntemin kusurlu olduğu yaygın olarak kabul edilmektedir5. Ayrıca, histolojik inceleme eksize edilmiş bir tümörün cerrahi sınırının tüm yönlerini inceleyemediği için, eksize edilen sınırın çevresindeki akciğer dokusunun malign hücrelerden arındırılmış olduğunun garantisi yoktur. Bu kısıtlamalar, mikroskobik örneklemenin ötesinde, kalıntı riskinin makroskobik ve mekansal modellerini yakalayabilen tamamlayıcı, noninvaziv stratejilere olan ihtiyacı vurgulamaktadır.

Radyomik, rutin tıbbi görüntülerden kantitatif özelliklerin yüksek verimli şekilde çıkarılmasına olanak tanır ve tüm lezyon ile perilezyonal düzeyde tümör heterojenliğini karakterize etmek için sistematik bir yaklaşım sunar6. Akciğer kanserindeki önceki radyomik çalışmalar; erken evre NSCLC'de cerrahi7, stereotaktik radyoterapi8, neoadjuvan tedavi9, EGFR-TKI tedavisi10, PD-(L)1 immünoterapisi11 ve sistemik tedaviler dahil olmak üzere birden fazla tedavi bağlamında sonuç stratifikasyonundaki faydasını göstermiştir. Peritümöral radyomik, 3, 6 ve 9 mm'lik genişletmelere dayalı analizler de dahil olmak üzere, doğrudan tümör-akciğer ara yüzeyini nicelleştirmek için de kullanılmıştır12. Bununla birlikte, R0 rezeksiyon sonrası lokal nüks ile uzak metastazı karşılaştırmaya yönelik standartlaştırılmış iş akışları hala sınırlıdır.

Bu protokol, ameliyat öncesi kontrastlı ince kesit göğüs BT ve tam patolojik cerrahi sınır kayıtlarını içeren araştırma veri setleri için tasarlanmıştır. R0 rezeksiyon sonrası lokal nüks ile uzak metastaz progresyonunu karşılaştırmanın araştırma hedefi olduğu durumlar için uygundur. Bu nedenle, T3–T4 NSCLC'de intratümöral ve 3-mm peritümöral radyomikleri entegre eden standartlaştırılmış bir iş akışı sunulmuştur.

Protokol

Önerilen BT tabanlı radyomik protokol, T3-T4 KHDAK hastalarında lokal nüksü uzak metastazdan ameliyat öncesinde ayırt etmek için tasarlanmıştır. İş akışı; hasta seçimi, BT görüntüleme ve ön işleme, ilgi alanı segmentasyonu, radyomik özellik çıkarımı ve indirgenmesi, model oluşturma ve performans değerlendirmesinden oluşmaktadır (Şekil 1A–C). Jinling Hastanesi Etik Kurulu bu retrospektif çalışmayı onaylamış (onay numarası 2023DZKY-089-01) ve yazılı bilgilendirilmiş onam gerekliliğinden feragat etmiştir. Bu çalışmada kullanılan tüm yazılım ve araçlar Materyal Tablosu'nda listelenmiştir.

1. Hasta seçimi ve klinik veri toplama

  1. Patolojik olarak doğrulanmış T3–T4 KHNSK (NSCLC) tanısı alan ardışık hastaları belirleyin.
    NOT: Bu çalışmada yazarlar, Ocak 2013 ile Aralık 2020 tarihleri arasında Jinling Hastanesi'nde cerrahi rezeksiyon uygulanan hastaları seçmişlerdir (Ek Şekil 1).
  2. Aşağıdaki kriterlerin tamamını karşılayan hastaları dahil edin: KHNSK'nın patolojik olarak doğrulanmış olması; Amerikan Kanser Ortak Komitesi (AJCC) 8. baskısına göre T3 veya T4 tümör evresine sahip olma; cerrahi öncesi 2 hafta içinde alınmış kontrastlı göğüs BT görüntülerinin mevcut olması; nüks konumunun ve zamanlamasının belgelendiği eksiksiz ameliyat sonrası takip verileri.
  3. Şu durumlarda hastaları hariç tutun: R1 ve R2 rezeksiyonu; hareket artefaktları veya eksik görüntüleme nedeniyle yetersiz BT görüntü kalitesi; nüks modellerine ilişkin eksik veya tamamlanmamış takip bilgileri.

2. Etiketlerin ve klinik sonlanım noktalarının tanımlanması

  1. İlk 2 yıl boyunca her 3-6 ayda bir ve sonrasında her 6 ayda bir serum tümör belirteç testi ve göğüs BT kullanarak postoperatif sürveyans gerçekleştirin.
  2. Birincil sonlanım noktalarını nüks paterni olarak tanımlayın. Radyomik skorlardan habersiz olan iki uzman göğüs radyoloğunun takip görüntülerini bağımsız olarak incelemesini sağlayın. Görüş ayrılıklarını konsensüs yoluyla çözün.
  3. Mevcut olduğunda patolojik onay veya pozitron emisyon tomografisi/bilgisayarlı tomografi kullanın.
  4. Martini–Melamed kriterlerini kullanarak ikinci primer akciğer kanseri vakalarını ayırt edin ve bunları lokal nüks olaylarından hariç tutun.
  5. Hastaları şu şekilde gruplara ayırın:
    1. Lokal nüks grubu: takip sırasında önceden belirlenmiş lokal bir bölgede nüks gelişen R0 rezeksiyonlu hastalar.
      NOT: Lokal nüks; bronşiyal güdükte, parankimal rezeksiyon sınırında, orijinal tümör veya rezeksiyon yatağı ile bitişik ipsilateral hiler veya mediastinal lenf nodlarındaki nükstür.
    2. Senkron lokal ve uzak nüksleri lokal nüks grubunda sayın.
    3. Uzak metastaz grubu karşılaştırma grubu: lokal nüks olmaksızın uzak metastaz gelişen R0 rezeksiyonlu hastalar.
  6. Herhangi bir lokal bileşen olmaksızın sadece uzak organlarla veya kontralateral toraksla sınırlı nüksleri uzak metastaz olarak sınıflandırın.

3. Klinik ve semantik özelliklerin toplanması

  1. Ameliyat öncesi laboratuvar parametreleri, patolojik bulgular ve tedavi bilgilerini içeren klinik değişkenleri elektronik tıbbi kayıt sisteminden geri çağırın.
  2. Her hasta için şu değişkenleri toplayın: yaş, cinsiyet, sigara içme durumu, serum tümör belirteçleri, patolojik evre, histolojik alt tip ve cerrahi prosedürler.
  3. Ameliyat öncesi BT görüntülerini kullanarak tümör konumunu ve komşu anatomik yapıların invazyonunu yansıtan semantik görüntüleme özelliklerini bağımsız olarak değerlendirin.
  4. Tüm vakaları bağımsız olarak incelemesi için kurul onaylı iki göğüs radyoloğu görevlendirin. Semantik özellik değerlendirmesindeki uyuşmazlıkları konsensüs tartışması yoluyla çözün.

4. CT görüntüleme

  1. Çok dedektörlü BT tarayıcılar kullanarak transvers planda; kontrastlı olmayan, arteriyel ve portal venöz fazları içeren göğüs BT görüntülerini elde edin.
    NOT: Kontrastlı göğüs BT incelemeleri Siemens Healthineers şirketine ait dört çok dedektörlü BT tarayıcı kullanılarak gerçekleştirilmiştir: SOMATOM Definition, SOMATOM Definition Flash, SOMATOM Emotion ve SOMATOM Perspective. Tarayıcıya ve kurumsal protokole bağlı olarak detektör konfigürasyonları 16 × 0.6 mm, 64 × 0.6 mm veya 2 × 64 × 0.6 mm şeklindeydi. Görüntüler; otomatik tüp akımı modülasyonu (yaklaşık 62–663 mA), 0.5–0.8 pitch, 0.5 s rotasyon süresi, yaklaşık 300–400 mm görüş alanı ve 512 × 512 matris kullanılarak 120–130 kVp değerlerinde elde edilmiştir. Akizisyon kesit kalınlığı 1.0–1.5 mm idi. Radyomik analiz için kullanılan görüntüler, orta-yumuşak bir kernel (B30f veya B31f) kullanılarak 1.0–1.5 mm kesit kalınlığında ve 1.0–1.5 mm aralıkla rekonstrükte edilmiştir. Noniyonik iyodlu kontrast madde (300–370 mg I/mL), yaklaşık 1.0–1.5 mL/kg dozda, 2.5–3.5 mL/s enjeksiyon hızıyla intravenöz olarak uygulanmış ve ardından 30–40 mL salin flush yapılmıştır.
  2. Akizisyon parametrelerini ve rekonstrüksiyon parametrelerini ayarlayın. Arteriyel fazın başlangıcında kapılı (gated) otomatik tarama gerçekleştirin.
  3. İlgi bölgesi (region of interest) olarak aortik arkı seçin ve tetikleme eşiğini 60 HU olarak ayarlayın.
    Tüm görüntü serileri için ince kesit rekonstrüksiyonu kullanın.
  4. Sonraki ön işleme ve analiz işlemleri için arteriyel faz BT görüntülerini Digital Imaging and Communications in Medicine (DICOM) formatında dışa aktarın. Detaylı akizisyon parametreleri Ek Tablo 1'de özetlenmiştir.

5. Görüntü ön işleme ve anonimleştirme

  1. Tüm BT görüntülerini, Sağlık Sigortası Taşınabilirlik ve Sorumluluk Yasası (HIPAA) Safe Harbor kılavuzlarına uygun olarak anonimize edin.
  2. Anonimize edilmiş arteriyel faz BT görüntülerini; Pyradiomics (versiyon 3.0.1) ve Scikit-learn (versiyon 0.22) entegrasyonuna sahip olan Deepwise Multimodal Research Platform, versiyon 3.1.3'e yükleyin13,14.
  3. Radyomik platformu üzerinde “Sample” seçeneğini belirleyin, girdi olarak DICOM serisini seçin ve ilgili segmentasyon maskesini yükleyin.

6. Tümör ve peritumoral segmentasyon

  1. Arteryel faz BT görüntülerindeki primer akciğer tümörlerinin yarı otomatik segmentasyonunu13 gerçekleştirin.
    Anatomik doğruluğu sağlamak için segmentasyonları, toraks görüntüleme konusunda 9 yıllık deneyime sahip bir radyolog tarafından manuel olarak inceleyin ve düzenleyin.
  2. Maskeyi aksiyal, koronal ve sagittal düzlemlerde gözden geçirin. Sınırı; canlı tümörü dahil edecek, ancak tümör tarafından doğrudan istila edilmediği sürece komşu atelektaziyi, damarları, hava yollarını, plevral efüzyonu ve göğüs duvarını hariç tutacak şekilde manuel olarak düzeltin. Nihai maskeyi çalışma tanımlayıcısını kullanarak kaydedin.
  3. Tümör sınırını tüm yönlerde 1 mm, 3 mm ve 5 mm dışa doğru genişleterek, uygun olduğunda akciğer dışı yapıları hariç tutacak şekilde peritumöral bölgeleri otomatik olarak oluşturun.
  4. Özellik çıkarımı öncesinde, BT görüntüleri 1 × 1 × 1 mm3 izotropik voksel aralığına yeniden örneklenmiştir. Görüntü yoğunlukları B-spline algoritması kullanılarak interpole edilirken, segmentasyon maskeleri ikili etiketlerini korumak için en yakın komşu interpolasyonu kullanılarak yeniden örneklenmiştir.

7. Radyomik özellik çıkarımı

  1. Görüntü Biyobelirteç Standardizasyon Girişimi (Image Biomarker Standardization Initiative) kılavuzlarını takip ederek; şekil, birinci derece yoğunluk ve doku özellikleri ile benzeri radyomik özellikleri tümör bölgelerinden çıkarın.
  2. Aynı kategorideki radyomik özellikleri peritümoral bölgelerden çıkarın.

8. Veri seti bölümlendirme ve radyomik özellik azaltma

  1. Herhangi bir ön işleme, özellik azaltma veya model geliştirme işleminden önce, tüm veri setini nüks paternine göre tabakalı örnekleme yöntemiyle, 1 numaralı sabit rastgele tohumu kullanarak 7:3 oranında bir eğitim kohortu ve bir dışlanmış doğrulama kohortu olarak rastgele bölün.
  2. Doğrulama kohortunu kilitleyin ve bu kohortu özellik seçimi, hiperparametre ayarı veya eşik değerinin belirlenmesi için kullanmayın.
    ​NOT: Eğitim kohortu içerisinde eksik ve sonsuz değerler kontrol edilmiştir. Herhangi bir eksik veya sonsuz değer saptanmamıştır; bu nedenle herhangi bir imputasyon işlemi gerçekleştirilmemiştir. Segmentasyon tekrarlanabilirliğini değerlendirin.
    1. Eğitim seti rastgele tohumu 1'i kullanarak, nüks paternine göre tabakalı rastgele örnekleme yoluyla kohortun %20'sini seçin. Seçilen alt kümenin lokal nüks/uzak metastaz dağılımını koruduğunu doğrulayın.
    2. İlk okuyucunun segmentasyonu 2 haftalık bir aradan sonra tekrarlamasını sağlayın ve ikinci bir okuyucunun (toraks görüntüleme konusunda 6 yıllık deneyime sahip bir radyolog) aynı vakaları bağımsız olarak segmente etmesini sağlayın.
    3. Her iki okuyucuyu da klinik bilgilere, patolojik bulgulara, nüks paternine ve model çıktılarına karşı körleştirin.
    4. Okuyucular arası ve okuyucu içi tek ölçümlü, mutlak uyumlu sınıfiçi korelasyon katsayılarını (ICC) hesaplayın. Özellikleri yalnızca hem okuyucular arası hem de okuyucu içi ICC değerleri en az > 0.8 olduğunda koruyun.
  3. İkili korelasyon analizi gerçekleştirin ve korelasyon katsayısı 0.90'ı aştığında, yüksek korelasyonlu her çiftten bir özelliği çıkarın.
  4. Bilgi verici özellikleri seçmek için, özellik seyrekliğini kontrol eden regülarizasyon parametresiyle birlikte L1-regülarizasyonlu doğrusal modeller uygulayın.

9. Model oluşturma ve değerlendirme

  1. Kesinleştirilmiş özellik setlerini kullanarak eğitim kohortu dahilinde intratümöral, 3-mm peritümöral ve kombine Lineer SVC modellerini oluşturun.
  2. Sadece eğitim kohortu ile sınırlandırılmış, stratifiye 10-katlı çapraz doğrulama kullanarak model hiperparametrelerini optimize edin.
    NOT: Lineer SVC modelleri, scikit-learn versiyon 0.22 kullanılarak L1 cezası, squared-hinge kaybı, dual = False, 1 × 10⁻4 yakınsama toleransı, maksimum 1.000 iterasyon ve intercept fitting (kesişim noktası uyumlama) etkinleştirilmiş şekilde uygulanmıştır. Düzenleme parametresi C, 1 rastgele tohumlu stratifiye 10-katlı çapraz doğrulama ile eğitim kohortu üzerinde optimize edilmiştir. Hiperparametre seçiminden sonra, her model tüm eğitim kohortu kullanılarak yeniden eğitilmiş ve doğrudan ayrılmış doğrulama kohortuna uygulanmıştır. Herhangi bir yeniden örnekleme veya sınıf ağırlığı düzenlemesi kullanılmamıştır.
  3. Her bir sabitlenmiş modeli; yeniden eğitme, özellik yeniden seçimi, yeniden kalibrasyon veya eşik optimizasyonu yapmadan doğrudan ayrılmış doğrulama kohortuna uygulayın.
  4. Model performansını, alıcı işletim karakteristik eğrisi altındaki alan (AUC), hassasiyet, özgüllük ve doğruluk değerlerini kullanarak değerlendirin.

10. İstatistiksel analiz

  1. Veri dağılımına bağlı olarak, sürekli değişkenleri uygun parametrik veya nonparametrik testler kullanarak karşılaştırın.
  2. Kategorik değişkenleri ki-kare veya Fisher'ın kesin testi kullanarak karşılaştırın.
  3. Sınıflandırma eşiğini, yalnızca eğitim kohortunda Youden indeksini maksimize ederek belirleyin ve sabitlenen bu eşiği, ayrılmış doğrulama kohortuna değiştirilmeden uygulayın. Bootstrap yöntemiyle güven aralıklarını hesaplayın.
  4. Tüm istatistiksel analizler, iki yönlü olarak SPSS (versiyon 25) kullanılarak gerçekleştirilmiştir. p değerler < 0,05 istatistiksel olarak anlamlı kabul edilmiştir.

Sonuçlar

Uygulama kohortu özellikleri
Başlangıçta uygun görülen hastalar arasından, R1 rezeksiyonu yapılan 12 hasta hariç tutulmuş ve herhangi bir R2 rezeksiyonu tespit edilmemiştir. Sonuç olarak, nihai kohort R0 rezeksiyonu uygulanan 103 hastadan oluşmuştur. Önerilen radyomik protokol, cerrahi olarak tedavi edilen T3–T4 KHNSK'lı (60.6 ± 8.6 yaş; %82.5 erkek), 33'ü postoperatif lokal rekürrens ve 70'i uzak metastaz gösteren toplam 103 hastalık bir kohorta uygulanmıştır. Lokal rekürrens saptanan 33 hastanın 17'sinde (%51.5) patolojik kanıt bulunurken, kalan 16 hastıya (%48.5) seri takip BT bulguları ve klinik konsensüse dayanarak tanı konulmuştur. Hiçbir lokal rekürrens yalnızca PET/BT ile doğrulanmamıştır. Altmış bir hastada (%59.2) patolojik T3 hastalık, 42 hastada (%40.8) ise T4 hastalık saptanmıştır. Tablo 1'deki klinik veya patolojik değişkenlerin hiçbiri, lokal rekürrens ve uzak metastaz grupları arasında anlamlı farklılık göstermemiştir (tüm p ≥ 0.064).

Semantik görüntüleme ve tedaviyle ilişkili değişkenlerin değerlendirilmesi
Tümör lobu, merkezi veya periferik konum, ana bronş tutulumu ve büyük damar tutulumu, lokal nüks grubu ile uzak metastaz grubu arasında anlamlı bir farklılık göstermemiştir (tüm p ≥ 0.272; Tablo 2). Neoadjuvan tedavi, immünoterapi ve radyoterapi dağılımları, iki R0 progresyon paterni grubu arasında benzerdi (tüm p ≥ 0.742; Tablo 3). Hedefe yönelik tedavi, lokal nüks grubunda uzak metastaz grubuna göre daha seyrek görülmüştür (2/33 [%6,1] karşısında 15/70 [%21,4]; ham p = 0.0499). Postoperatif tedavi nüks paternini etkileyebileceği için, bu dengesizlik nedensel bir etkinin kanıtı olmaktan ziyade potansiyel bir karıştırıcı faktör olarak değerlendirilmelidir.

Takip paternleri ve son nokta dağılımı
Rezeksiyon sınırı negatif olan 103 hastadan 33'ünde lokal nüks (ortalama progresyonsuz sağkalım (PFS) 16,36 ± 14,741 ay) ve 70'inde uzak metastaz (ortalama PFS 11,39 ± 11,388 ay) gelişmiştir. Lokal nüks ve uzak metastaz grupları arasında istatistiksel bir fark bulunmamıştır (p = 0,131). İki nüks paterni arasında progresyonsuz sağkalım açısından anlamlı bir fark gözlenmemiş olsa da, mevcut yaklaşımın amaçlanan kullanımı, preoperatif görüntülemenin R0 rezeksiyon sonrası ilk hastalık progresyonunun anatomik paternini ayırt edip edemeyeceğini araştırmaktır. Bu tür bir preoperatif risk sınıflandırması, lokal nüks riski yüksek olan hastalarda lokal tedavinin uygun şekilde uygulanmasını kolaylaştırabilir ve potansiyel olarak sonuçlarını iyileştirebilir; ancak bu klinik faydanın prospektif çalışmalarla daha fazla doğrulanması gerekmektedir.

Tümör ve peritümöral radyomik özelliklerin davranışı
Tekrarlanabilirlik, 25 hastadan oluşan bir alt grupta değerlendirilmiştir. ICC tabanlı filtreleme sonrası, 2.207 intratümöral radyomik özelliğin 1.820'si ve 2.211 adet 3-mm peritümöral radyomik özelliğin 1.856'sı sonraki analizler için tutulmuştur. Varyans filtrelemesi ile 124 intratümöral ve 120 adet 3-mm peritümöral özellik elenmiştir. Ardından, 0,90 eşik değerli ikili korelasyon filtrelemesi, kalan intratümöral özelliklerin 1.357'sini ve kalan peritümöral özelliklerin 1.395'ini elemiş; L1-düzenlenmiş özellik seçimi için sırasıyla 339 ve 341 özellik kalmıştır. L1 prosedürü, model kurulumu için nihai olarak 9 intratümöral ve 12 peritümöral özellik seçmiştir. Tümör, peritümöral ve kombine bölgelerden çıkarılan radyomik özellikler farklı öngörücü davranışlar sergilemiştir. Doğrulama kohortunda tümör, 3-mm peritümöral ve kombine modeller sırasıyla 0,71 (95% CI, 0,61–0,81), 0,75 (95% CI, 0,65–0,85) ve 0,80 (95% CI, 0,71–0,89) AUC değerlerine ulaşmıştır (Tablo 4 ve Şekil 2A). Peritümöral mesafe duyarlılık analizinde 1-, 3- ve 5-mm modelleri sırasıyla 0,62, 0,75 ve 0,59 görünür AUC değerleri elde etmiştir. 3-mm model ile karşılaştırıldığında, AUC farkı 1 mm için istatistiksel olarak anlamlı değilken (ΔAUC = −0,13, p = 0,078), 5 mm için anlamlı bulunmuştur (ΔAUC = −0,16, p = 0,040) (Ek Tablo 1).

İlk hastalık progresyonundan önce hedefe yönelik tedavi alan 17 hasta dışlandıktan sonra, 31'i lokal nüks ve 55'i yalnızca uzak progresyon gösteren toplam 86 hasta kaldı. Füzyon modeli, primer analizle tutarlı olan 0,80'lik bir AUC değerine ulaştı (95% CI, 0,70–0,89; AUC, 0,80; ΔAUC, −0,001; 95% CI, −0,034 ila 0,033; p = 0,948). Bu bulgular, füzyon modelinin performansının, hastalık progresyonu öncesinde uygulanan hedefe yönelik tedaviden önemli ölçüde etkilenmediğini göstermiştir.

Protokolün karşılaştırmalı değerlendirmesi ve klinik yararlılığı
İkili DeLong testleri; tümör ve 3 mm peritümöral modeller (p = 0.533), tümör ve kombine modeller (p = 0.168) veya 3 mm peritümöral ve kombine modeller (p = 0.439) arasında istatistiksel olarak anlamlı farklar saptamamıştır. Karar eğrisi analizinde; tümör, 3 mm peritümöral ve kombine modeller, sırasıyla 0,19–0,51, 0,18–0,56 ve 0,17–0,59 eşik olasılıklarında, hem "tümünü tedavi et" hem de "hiçbirini tedavi etme" referans stratejilerinden daha yüksek net fayda sağlamıştır (Şekil 2B). 0,20 tahmin edilen olasılık eşiğinde, kombine model %66,7 duyarlılık ve %77,1 özgüllük elde etmiştir. Bu aralıklar, seçilen progresyon kohortundaki görünür yararlılığı tanımlamakta olup valide edilmiş tedavi eşikleri değildir. Şekil 3A–D'de gösterildiği gibi, A ve B'deki iki solid lezyon model tarafından doğru sınıflandırılırken, C ve D'deki lezyonlar yanlış sınıflandırılmıştır. Yanlış sınıflandırılan her iki lezyon da intratümöral nekroz alanları içeriyordu; bu durum, radyomik özellikler tarafından yakalanan atenüasyon dağılımını ve doku heterojenliğini değiştirmiş ve böylece tutarsız tahminlere katkıda bulunmuş olabilir.

figure-results-1
Şekil 1: Tümör segmentasyonu, radyomik özellik seçimi ve model geliştirme iş akışı. (A) Primer tümör yarı otomatik olarak segmente edildi. İntratümöral ilgi alanı tümör dokusu olarak tanımlandı ve peritümöral bölge, tümör sınırının dışarıya doğru 3 mm genişletilmesi ve tümörün kendisinin hariç tutulmasıyla oluşturuldu. (B) İntratümöral ve peritümöral radyomik özellikler çıkarıldı, okuyucu içi ve okuyucular arası tekrarlanabilirlik açısından değerlendirildi; korelasyon analizi ve L1-regularize edilmiş özellik seçimi yoluyla azaltıldı. (C) Uygun hastalar rastgele olarak bir eğitim kohortuna (%70) ve bir iç doğrulama kohortuna (%30) ayrıldı. Ayrı tümör ve peritümöral radyomik modeller oluşturuldu ve birleşik bir modelde entegre edildi. Kısaltmalar: CT = bilgisayarlı tomografi; L1 = en küçük mutlak daralma ve seçim operatörü tabanlı regularizasyon. Şekil 1, yazarlar tarafından Microsoft PowerPoint kullanılarak oluşturulmuştur ve herhangi bir telif hakkı izni gerekmemiştir. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

figure-results-2
Şekil 2: Radyomik modellerin alıcı işletim karakteristik eğrileri ve karar eğrisi analizi. (A) Doğrulama kohortunda lokal nüksü uzak metastazdan ayırt etmek için tümör, 3-mm peritümoral ve kombine modellerin alıcı işletim karakteristik eğrileri. İlgili AUC değerleri 0.71 (%95 CI, 0.61–0.81), 0.75 (%95 CI, 0.65–0.85) ve 0.80 (%95 CI, 0.71–0.89) olarak saptanmıştır; %95 CI'lar 1,000 bootstrap yeniden örneklemesi kullanılarak tahmin edilmiştir. (B) Üç modelin 0.01–0.80 eşik olasılıkları genelindeki karar eğrisi analizi. Referans olarak tümünü tedavi et ve hiçbirini tedavi et stratejileri gösterilmiştir. Kısaltmalar: AUC = alıcı işletim karakteristik eğrisi altında kalan alan; CI = güven aralığı; DCA = karar eğrisi analizi; ROC = alıcı işletim karakteristikleri. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

figure-results-3
Şekil 3: Birleştirilmiş radyomik modelden doğru ve yanlış sınıflandırılmış vakaların temsilci figürü. (A) 4 ayda lokal nüks geliştirmiş, sol akciğer skuamöz hücreli karsinomu olan 50 yaşındaki bir erkekte doğru sınıflandırılmış lokal nüks. (B) Lokal nüks olmaksızın 31. ayda kemik metastazı gelişmiş, sol alt lob adenokarsinomu olan 44 yaşındaki bir kadında doğru sınıflandırılmış sadece uzak ilerleme. (C) Lokal nüksün sadece uzak ilerleme olarak sınıflandırıldığı yanlış-negatif bir örnek. (D) Sadece uzak ilerlemenin lokal nüks olarak sınıflandırıldığı yanlış-pozitif bir örnek. Bu şeklin daha büyük bir versiyonunu görüntülemek için lütfen buraya tıklayın.

Tablo 1: Lokal nüks ve uzak metastazı olan hastaların klinik ve patolojik özellikleri. Analiz 103 hastayı içermektedir: 33'ü lokal nüks ve 70'i uzak metastaz olan hastalar. Veriler ortalama ± standart sapma veya n (sütun %) olarak sunulmuştur. Yaş, bağımsız örneklemler Student t-testi kullanılarak karşılaştırılmıştır. Kategorik değişkenler, herhangi bir beklenen hücre sayısı <5 olduğunda Pearson ki-kare testi veya Fisher'ın kesin testi kullanılarak karşılaştırılmıştır. *Ham p < 0.05. Kısaltmalar: ADC = adenokarsinom; SCC = skuamöz hücreli karsinom; SD = standart sapma; TNM = tümör-nod-metastaz. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 2: Lokal nüks ve uzak metastazı olan hastaların konum ve tutulum özellikleri. Analiz 103 hastayı kapsamıştır: 33'ü lokal nüks, 70'i uzak metastaz olan hastalar. Veriler n (sütun %) olarak sunulmuştur. Kategorik değişkenler, herhangi bir beklenen hücre sayısı [belirli bir değerin] altında olduğunda Pearson ki-kare testi veya Fisher'ın kesin testi kullanılarak karşılaştırılmıştır. <5. Eksik veri bulunmamaktaydı. *Ham p < 0.05. Kısaltmalar: CT = bilgisayarlı tomografi. Lütfen bu tabloyu indirmek için buraya tıklayınız.

Tablo 3: Lokal rekürrens ve uzak metastazı olan hastalarda perioperatif ve postoperatif tedavi stratejileri. Analize 103 hasta dahil edildi: 33'ü lokal rekürrens ve 70'i uzak metastazlı. Veriler n (sütun %) olarak sunulmuştur. Kategorik değişkenler, herhangi bir beklenen hücre sayısı <5 olduğunda Pearson ki-kare testi veya Fisher'ın kesin testi kullanılarak karşılaştırıldı. Eksik veri bulunmamaktadır. *Ham p < 0.05. Bu tabloyu indirmek için lütfen buraya tıklayınız.

Tablo 4: Lokal rekürrensi uzak metastazdan ayırt etmede radyomik, peritümoral ve kombine modellerin performansı.Analize 103 hasta dahil edilmiştir: 33'ü lokal rekürrensli ve 70'i uzak metastazlı. %95 GA'lar, 1.000 bootstrap yeniden örnekleme kullanılarak hesaplanmıştır. Kısaltmalar: AUC = alıcı işletim karakteristik eğrisi altındaki alan; GA = güven aralığı. Bu tabloyu indirmek için lütfen buraya tıklayın.

Ek Şekil 1: Hasta seçim akış şeması. 2013 ve 2020 yılları arasında en az bir göğüs CT incelemesi yapılmış olan ve patoloji raporlarında “lung” ve “cancer” terimlerini içeren hastalar taranmıştır. Patoloji raporları ve hastane bilgi sistemi kayıtlarına dayalı dışlamalardan sonra 238 hasta kalmıştır. Tedavi öncesi CT görüntülerinin mevcut olmaması (n = 39), inflamatuar karsinom (n = 4) veya görüntü analizini etkileyen CT artefaktları (n = 2) nedeniyle 45 hasta daha hariç tutulmuştur. Son olarak, R1 rezeksiyonu olan (n = 12), takip kaybı yaşanan (n = 43) veya takip sonuna kadar progresyon göstermeyen (n = 35) hastalar dışlanmış ve eğitim ile doğrulama setleri için 103 hasta elde edilmiştir. CT, bilgisayarlı tomografi; HIS, hastane bilgi sistemi; R1, mikroskobik olarak pozitif sınırlı rezeksiyon. Lütfen bu dosyayı indirmek için buraya tıklayın.

Ek Tablo 1: Farklı peritumoral genişleme mesafelerinde model performansının duyarlılık analizi. Model ayrımı, doğrulama kohortunda 1, 3 ve 5 mm'lik peritumoral bölgeler kullanılarak değerlendirilmiştir. 3 mm'lik peritumoral model referans olarak kullanılmıştır. ΔAUC, 3 mm'lik modele göre AUC farkını temsil eder ve p değerleri iki taraflı DeLong testi kullanılarak hesaplanmıştır. AUC, alıcı işletim karakteristik eğrisi altındaki alan; CI, güven aralığı. Bu dosyayı indirmek için lütfen buraya tıklayın.

Tartışma

Bu çalışma, T3–T4 NSCLC hastalarında R0 rezeksiyon sonrası lokal nüks ile uzak metastazı preoperatif olarak ayırt etmek için BT tabanlı bir radyomik protokol sunmaktadır. Önerilen çerçeve, yalnızca sonuç tahminine odaklanmak yerine, rutin kontrastlı BT görüntülerinden türetilen intratümöral ve peritümöral radyomik temsilleri entegre ederek lokal nüks riskini operasyonelleştirmektedir. Protokol, temsilci bir cerrahi kohortta stabil bir performans göstermiş olup, birleşik tümör-peritümöral model en yüksek AUC değerine ulaşmıştır. NSCLC'de postoperatif nüks riskini tahmin etmek için klinik-radyolojik modeller, 18F-FDG PET/CT'den türetilen metabolik parametreler, el yapımı BT radyomikleri ve derin öğrenme dahil olmak üzere çeşitli preoperatif yaklaşımlar araştırılmıştır. PET/CT kaynaklı metabolik tümör hacmi ve toplam lezyon glikolizi, cerrahi rezeksiyon sonrası prognostik bilgiler sağlamaktadır ancak ek bir moleküler görüntüleme incelemesi gerektirmekte olup çekim ve rekonstrüksiyon protokollerinden etkilenmektedir15. BT tabanlı radyomik ve derin öğrenme modelleri, nüks riskini veya hastalıksız sağkalımı noninvaziv olarak tahmin edebilmektedir16 ve önceki çalışmalar, peritümöral bilgilerin dahil edilmesinin veya görüntülemenin klinik değişkenlerle birleştirilmesinin değerini ortaya koymuştur17,18. Bununla birlikte, bu önceki yaklaşımlar, özellikle erken evre akciğer adenokarsinomunda, ilk hastalık progresyonunun anatomik paterninden ziyade, nüksün gerçekleşip gerçekleşmediğine veya ne zaman gerçekleştiğine odaklanmıştır. Mevcut çerçevenin potansiyel avantajı, rutin olarak elde edilen preoperatif kontrastlı BT'yi kullanması ve T3–T4 NSCLC hastalarında R0 rezeksiyon sonrası lokal nüksü uzak metastaz progresyonundan ayırt etmek için intratümöral ve hemen bitişikteki peritümöral bilgileri entegre etmesidir.

Metodolojik bir perspektiften, bu protokolün klinik motivasyonu, patolojik cerrahi sınır değerlendirmesinin doğasında bulunan kısıtlamalardan kaynaklanmaktadır. Histopatoloji referans standart olmaya devam etse de, örnekleme yanlılığı ve cerrahi sınırın eksik mekansal kapsamı nedeniyle doğası gereği sınırlıdır. Çalışmalar, evre IA NSCLC için kama rezeksiyonu sonrası lokal nüks oranının lobektomi sonrasından önemli ölçüde daha yüksek olduğunu göstermiştir19. Bunun temel olarak, cerrahi sınırdaki rezidüel tümör hücrelerinin gözden kaçırılmasına bağlı teşhis eksikliğinden ve eksik rezeksiyonun neden olduğu yüksek lokal nüks oranından kaynaklandığı düşünülmektedir. Ek olarak, lokal nüks gösteren NSCLC hastalarının patolojik kesitleri incelenerek cerrahi sınırda tümör hücrelerinin gözlemlenmesi mümkündür20. Önceki cerrahi seriler, eksik rezeksiyonun ve gizli rezidüel hastalığın lokal nüks riskini önemli ölçüde artırdığını ve uzun süreli sağkalımı olumsuz etkilediğini, görüntülemenin ise cerrahi öncesinde makroskobik ve mekansal tümör özelliklerini sorgulayabildiğini göstermiştir. Bu nedenle, mevcut protokol, patolojik sınır incelemesinin bir alternatifi olarak değil, nüks paternlerini karakterize etmek için tamamlayıcı bir araştırma metodolojisi olarak görülmelidir. Bu ayrım, R0 lokal nüksün geriye dönük olarak pozitif veya doğası gereği yüksek riskli bir cerrahi sınır kanıtı olarak etiketlenmesini önler.

Önerilen çerçevenin temel bir tasarım unsuru, peritümöral radyomik özelliklerin açıkça dahil edilmesidir. Önceden belirlenmiş 3-mm halka, görüntüleme modellerinin invazyonu, desmoplastik reaksiyonu, ödemi, vasküler değişimi veya tümör-konak etkileşimlerini yansıtabileceği doğrudan tümör-akciğer ara yüzeyinden örnekleme yapar. Hassasiyet analizinde; 1-, 3- ve 5-mm modelleri için görünür AUC değerleri sırasıyla 0.62, 0.75 ve 0.59 olarak bulunmuştur. 1-mm modeli sayısal olarak 3-mm modelinden daha düşükken, aralarında istatistiksel olarak anlamlı bir fark yoktu; buna karşın 5-mm modeli anlamlı derecede daha kötü performans göstermiştir. Bu bulgular, bu kohorttaki önceden belirlenmiş 3-mm tanımını desteklemektedir ancak 3 mm'nin evrensel olarak optimal bir mesafe olduğunu kanıtlamamaktadır. Daha geniş halkalar, T3–T4 tümörlerinde akciğer dışı parankimi veya komşu anatomik yapıları kapsayabilir.

Ameliyat sonrası tedavi, nüksetmenin yerini ve zamanlamasını değiştirebilir ve bu nedenle potansiyel bir karıştırıcı faktör kaynağı olmaya devam eder. Hedefe yönelik tedavi, lokal nüks grubunda, uzak metastaz grubuna göre daha seyrek görülmüştür (%6,1'e karşı %21,4; ham p = 0,0499); diğer tedavi dağılımları ise anlamlı bir farklılık göstermemiştir. Hastalık progresyonu öncesinde hedefe yönelik tedavi alan 17 hastanın hariç tutulduğu bir duyarlılık analizinde, füzyon modeli 0,80'lik bir AUC (95% CI, 0,70–0,89) değerini korumuştur ve bu değer birincil analizinkiyle neredeyse aynıdır (ΔAUC = −0,001; 95% CI, −0,034 ile 0,033 arası; p = 0,948). Bu bulgular, füzyon modelinin ayırt edici performansının, progresyon öncesi hedefe yönelik tedaviden önemli ölçüde etkilenmediğini göstermektedir.

Öznitelik stabilitesi ve tekrarlanabilirliği, radyomik metodolojide kritik hususlardır. Bu protokolde, öznitelik çıkarımı Image Biomarker Standardization Initiative kılavuzlarına21 uygun olarak gerçekleştirilmiştir. Dayanıklılık, okuyucular arası ve okuyucu içi tekrarlanabilirlik testleri kullanılarak sistematik olarak değerlendirilmiştir. Birleşik modeldeki en etkili öznitelikler ağırlıklı olarak peritumöral bölgeden türetilmiş olup, bu durum standartlaştırılmış peritumöral sınırlamanın metodolojik önemini pekiştirmektedir. Bu adımlar toplu olarak, önerilen protokolün güvenilirliğini ve aktarılabilirliğini artırmaktadır.

Protokolün çeşitli sınırlamaları kabul edilmelidir. İlk olarak, çerçeve tek bir kurumdan alınan veriler kullanılarak geliştirilmiş ve doğrulanmıştır; bu nedenle hasta seçimi kurumsal cerrahi uygulamaları yansıtıyor olabilir. İkinci olarak, takip aralıkları tekdüze değildir ve takip kaybı, nüksün karakterizasyonunu etkilemiş olabilir. Üçüncü olarak, protokol marjinle ilişkili nüks riskiyle ilişkili radyomik özellikleri belirlese de, temelindeki patolojik mekanizmaları doğrudan açıklamamaktadır. Gelecekteki çalışmalar; radyomik özelliklerin biyolojik yorumlanabilirliğini daha da geliştirmek için çok merkezli doğrulamaya, görüntüleme platformları arasındaki uyumlaştırmaya ve patolojik ve moleküler korelasyonlarla entegrasyona odaklanmalıdır. Sonuç olarak bu çalışma, T3-T4 NSCLC'de nüks paterninin ameliyat öncesi karakterizasyonu için standardize edilmiş BT tabanlı bir radyomik protokol sunmaktadır. Peritümoral radyomik bilgileri açıkça entegre eden bu çerçeve, tekrarlanabilir bir araştırma protokolü olarak amaçlanmıştır; klinik uygulama veya tedavi karar verme süreci öncesinde çok merkezli harici doğrulama ve seçilmemiş bir postoperatif kohortta değerlendirme yapılması gereklidir.

Açıklamalar

Yazarların herhangi bir çıkar çatışması yoktur. Bu taslaktaki şekilleri oluşturmak veya değiştirmek için herhangi bir üretken yapay zeka aracı kullanılmamıştır.

Teşekkürler

Bu makalenin hazırlanması sürecindeki dilsel destekleri için LetPub'a (www.letpub.com.cn) teşekkür ederiz. Bu çalışma, Bilim ve Teknoloji İnovasyonu 2030-Major Projeleri (2020AAA0109500) tarafından desteklenmiştir.

Malzemeler

Bu makalede kullanılan malzemelerin listesi
AdŞirketKatalog numarasıYorumlar
Deepwise Çok Modlu Araştırma PlatformuDeepwiseversiyon 3.1.3segmentasyon, radyomik özellik çıkarımı ve model oluşturma için kullanılmıştır
PythonPython Software Foundationhttps://www.python.orgversiyon 3.9.13
RR Foundationhttps://www.r-project.orgsürüm 4.3.2
Somatom DefinitionSimensLütfen çevirisini yapmamı istediğiniz metni sağlayın. Metni gönderdiğinizde, belirttiğiniz tüm akademik standartlara, teknik terminolojiye ve bilimsel dil kurallarına sadık kalarak çeviriyi gerçekleştireceğim.BT görüntüleme için kullanılır
Somatom Definition FlashSiemensLütfen çevrilmesini istediğiniz metni sağlayın.BT görüntüleme için kullanılır
Somatom EmotionSimensLütfen çevrilmesini istediğiniz metni sağlayın.BT görüntüleme alımı için kullanılır
Somatom PerspectiveSiemensLütfen çevirmek istediğiniz İngilizce kaynak metni sağlayın. Metni gönderdiğinizde, belirttiğiniz profesyonel akademik standartlara ve JoVE bilimsel çeviri kriterlerine uygun olarak Türkçe tercümesini gerçekleştireceğim.BT görüntüleme için kullanılır

Kaynaklar

  1. Ohguri T, Yahara K, Moon SD, Yamaguchi S, Imada H, et al. Postoperative radiotherapy for incompletely resected non-small cell lung cancer: clinical outcomes and prognostic value of the histological subtype. J Radiat Res. 2012;53(2):319-325.
  2. Hancock JG, Rosen JE, Antonicelli A, Moreno A, Kim AW, et al. Impact of adjuvant treatment for microscopic residual disease after non-small cell lung cancer surgery. Ann Thorac Surg. 2015;99(2):406-413.
  3. Sawabata N, Maeda H, Matsumura A, Ohta M, Okumura M; Thoracic Surgery Study Group of Osaka University. Clinical implications of the margin cytology findings and margin/tumor size ratio in patients who underwent pulmonary excision for peripheral non-small cell lung cancer. Surg Today. 2012;42(3):238-244.
  4. Wang EH, Corso CD, Rutter CE, Park HS, Chen AB, et al. Postoperative radiation therapy is associated with improved overall survival in incompletely resected stage II and III non-small-cell lung cancer. J Clin Oncol. 2015;33(25):2727-2734.
  5. Sawabata N, Funaki S, Nakagiri T, Shintani Y, Inoue M, et al. Clinical implications of the margin cytology findings and margin/tumor size ratio in patients who underwent pulmonary wedge resection for peripheral non-small cell lung cancer. J Thorac Oncol. 2012;7(11):S473.
  6. Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology. 2016;278(2):563-577.
  7. Huang Y, Liu Z, He L, Chen X, Pan D, et al. Radiomics signature: a potential biomarker for the prediction of disease-free survival in early-stage (I or II) non-small cell lung cancer. Radiology. 2016;281(3):947-957.
  8. Yang H, Wang L, Shao G, Dong B, Wang F, et al. A combined predictive model based on radiomics features and clinical factors for disease progression in early-stage non-small cell lung cancer treated with stereotactic ablative radiotherapy. Front Oncol. 2022;12:967360.
  9. She Y, He B, Wang F, Zhong Y, Wang T, et al. Deep learning for predicting major pathological response to neoadjuvant chemoimmunotherapy in non-small cell lung cancer: a multicentre study. EBioMedicine. 2022;86:104364.
  10. Wang S, Yu H, Gan Y, Wu Z, Li E, et al. Mining whole-lung information by artificial intelligence for predicting EGFR genotype and targeted therapy response in lung cancer: a multicohort study. Lancet Digit Health. 2022;4(5):e309-e319.
  11. Sun R, Limkin EJ, Vakalopoulou M, Dercle L, Champiat S, et al. A radiomics approach to assess tumour-infiltrating CD8 cells and response to anti-PD-1 or anti-PD-L1 immunotherapy: an imaging biomarker, retrospective multicohort study. Lancet Oncol. 2018;19(9):1180-1191.
  12. Chen Q, Shao J, Xue T, Peng H, Li M, et al. Intratumoral and peritumoral radiomics nomograms for the preoperative prediction of lymphovascular invasion and overall survival in non-small cell lung cancer. Eur Radiol. 2023;33(2):947-958.
  13. Qi LL, Wang JW, Yang L, Huang Y, Zhao SJ, et al. Natural history of pathologically confirmed pulmonary subsolid nodules with deep learning-assisted nodule segmentation. Eur Radiol. 2021;31(6):3884-3897.
  14. Qi LL, Wu BT, Tang W, Zhou LN, Huang Y, et al. Long-term follow-up of persistent pulmonary pure ground-glass nodules with deep learning-assisted nodule segmentation. Eur Radiol. 2020;30(2):744-755.
  15. Kim K, Kim SJ, Kim IJ, Kim YS, Pak K, et al. Prognostic value of volumetric parameters measured by F-18 FDG PET/CT in surgically resected non-small-cell lung cancer. Nucl Med Commun. 2012;33(6):613-620.
  16. Kim H, Goo JM, Lee KH, Kim YT, Park CM. Preoperative CT-based deep learning model for predicting disease-free survival in patients with lung adenocarcinomas. Radiology. 2020;296(1):216-224.
  17. Christie JR, Daher O, Abdelrazek M, Romine PE, Malthaner RA, et al. Predicting recurrence risks in lung cancer patients using multimodal radiomics and random survival forests. J Med Imaging (Bellingham). 2022;9(6):066001.
  18. Lan H, Wei C, Xu F, Yang E, Lu D, et al. 2.5D peritumoural radiomics predicts postoperative recurrence in stage I lung adenocarcinoma. Front Oncol. 2024;14:1382815.
  19. Koike T, Koike T, Yoshiya K, Tsuchida M, Toyabe S. Risk factor analysis of locoregional recurrence after sublobar resection in patients with clinical stage IA non-small cell lung cancer. J Thorac Cardiovasc Surg. 2013;146(2):372-378.
  20. Sawabata N, Matsumura A, Ohota M, Maeda H, Hirano H, et al. Cytologically malignant margins of wedge resected stage I non-small cell lung cancer. Ann Thorac Surg. 2002;74(6):1953-1957.
  21. Zwanenburg A, Vallières M, Abdalah MA, Aerts HJWL, Andrearczyk V, et al. The Image Biomarker Standardization Initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology. 2020;295(2):328-338.

Yeniden basım ve izinler

Etiketler

BT RadyomikleriRekürrens SınıflandırmasıTümör HeterojenitesiPeritumöral RadyomiklerR0 RezeksiyonRadyomik Özellik ÇıkarımıLokal RekürrensUzak Metastaz
Bize Ulaşın
Kütüphaneye Öner

Gizlilik

Kullanım Koşulları

Politikalar

Telif Hakkı © 2026 MyJoVE Corporation. Tüm hakları saklıdır.