BRCA 変異キャリアにおけるラジオミクスと機械学習を用いた MRI 上のセンチ以下の増強乳房腫瘤の特徴付けの改善

Improved characterization of sub-centimeter enhancing breast masses on MRI with radiomics and machine learning in BRCA mutation carriers.

• Roberto Lo Gullo
• Isaac Daimiel
• Carolina Rossi Saccarelli
• Almir Bitencourt
• Peter Gibbs
• Michael J Fox
• Sunitha B Thakur
• Danny F Martinez
• Maxine S Jochelson
• Elizabeth A Morris
• Katja Pinker

抄録

目的:

センチ以下の乳房腫瘤を有するBRCA陽性患者のMRIから抽出されたラジオミクス特徴が、モデルフリーのパラメータマップを用いて良性病変と悪性病変を区別するために機械学習と結合できるかどうかを調査する。

OBJECTIVES: To investigate whether radiomics features extracted from MRI of BRCA-positive patients with sub-centimeter breast masses can be coupled with machine learning to differentiate benign from malignant lesions using model-free parameter maps.

方法:

このレトロスペクティブ研究では、2013年11月から2019年2月までにMRIを受診し、生検（BI-RADS 4）またはセンチ以下の病変に対する画像フォローアップ（BI-RADS 3）を受けたBRCA陽性患者を対象とした。2人の放射線科医が独立してBI-RADSに従ってすべての病変をコンセンサスで評価した。ラジオミクス特徴量はオープンソースのCERRソフトウェアを用いて計算した。一変量解析と多変量モデル化が行われ、悪性病変と良性病変を区別するための機械学習モデルに含めるべき重要なラジオミクス特徴と臨床的要因が特定されました。

METHODS: In this retrospective study, BRCA-positive patients who had an MRI from November 2013 to February 2019 that led to a biopsy (BI-RADS 4) or imaging follow-up (BI-RADS 3) for sub-centimeter lesions were included. Two radiologists assessed all lesions independently and in consensus according to BI-RADS. Radiomics features were calculated using open-source CERR software. Univariate analysis and multivariate modeling were performed to identify significant radiomics features and clinical factors to be included in a machine learning model to differentiate malignant from benign lesions.

結果:

96人のBRCA突然変異キャリア（生検時の平均年齢=45.5±13.5歳）が含まれていた。BI-RADSによるコンセンサス分類評価では、診断精度53.4％、感度75％（30/40）、特異度42.1％（32/76）、PPV40.5％（30/74）、NPV76.2％（32/42）を達成した。また、年齢、病変部位、造影前段階のGLCMによる相関、造影後段階の1次変動係数、造影後段階のSZMによるグレーレベル分散の5つのパラメータを組み合わせた機械学習モデルでは、診断精度81.5％、感度63.2％（24/38）、特異度91.4％（64/70）、PPV80.0％（24/30）、NPV82.1％（64/78）を達成しています。

RESULTS: Ninety-six BRCA mutation carriers (mean age at biopsy = 45.5 ± 13.5 years) were included. Consensus BI-RADS classification assessment achieved a diagnostic accuracy of 53.4%, sensitivity of 75% (30/40), specificity of 42.1% (32/76), PPV of 40.5% (30/74), and NPV of 76.2% (32/42). The machine learning model combining five parameters (age, lesion location, GLCM-based correlation from the pre-contrast phase, first-order coefficient of variation from the 1st post-contrast phase, and SZM-based gray level variance from the 1st post-contrast phase) achieved a diagnostic accuracy of 81.5%, sensitivity of 63.2% (24/38), specificity of 91.4% (64/70), PPV of 80.0% (24/30), and NPV of 82.1% (64/78).

結論:

機械学習と組み合わせたラジオミクス解析は、BRCA突然変異キャリアにおけるBI-RADS分類のみによる定性的形態学的評価と比較して、1cm以下の乳房腫瘤を良性または悪性と判定する際のMRIの診断精度を向上させた。

CONCLUSIONS: Radiomics analysis coupled with machine learning improves the diagnostic accuracy of MRI in characterizing sub-centimeter breast masses as benign or malignant compared with qualitative morphological assessment with BI-RADS classification alone in BRCA mutation carriers.

キーポイント:

- ラジオミクスと機械学習は、乳房腫瘤が小さく、形態学的特徴が良性であっても、良性と悪性の鑑別に役立つ可能性がある - ラジオミクスと機械学習による解析は、定性的形態学的評価のみの場合と比較して、診断精度、特異度、PPV、NPVの向上を示した。

KEY POINTS: • Radiomics and machine learning can help differentiate benign from malignant breast masses even if the masses are small and morphological features are benign. • Radiomics and machine learning analysis showed improved diagnostic accuracy, specificity, PPV, and NPV compared with qualitative morphological assessment alone.