Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Kanker Paru 139 (2020) 73–79

Daftar isi tersedia diScienceDirect

Kanker paru-paru

halaman utama jurnal:www.elsevier.com/locate/lungcan

Pengembangan model radiomik prediktif untuk metastasis kelenjar getah bening pada
kanker paru-paru non-sel kecil stadium IA berbasis CT pra-bedah

Mengdi Congsebuah,b, Hui Fengsebuah, Jia-Liang Renc, Qian Xusebuah, Lapisan Congd,Zhenzhou Houb,
Yuan-yuan Wange, Gaofeng Shisebuah,*
sebuahDepartemen Tomografi Terkomputasi dan Resonansi Magnetik, Rumah Sakit Afiliasi Keempat Universitas Kedokteran Hebei, Jalan Jiankang 12, Shijiazhuang, 050011, Provinsi Hebei,
Tiongkok
bDepartemen Tomografi Terkomputasi dan Resonansi Magnetik, Rumah Sakit Anak Provinsi Hebei, Jalan Selatan Jianhua 133, Shijiazhuang, 050031, Provinsi Hebei, Tiongkok

cGE Healthcare China, Distrik Daxing, Tongji South Road No. 1, Beijing, 100176, China
dDepartemen Radiologi, Rumah Sakit Anak Provinsi Hebei, Jalan Selatan Jianhua 133, Shijiazhuang, 050031, Provinsi Hebei, Tiongkok
eDepartemen Neurologi, Rumah Sakit Anak Provinsi Hebei, Jalan Selatan Jianhua 133, Shijiazhuang, 050031, Provinsi Hebei, Tiongkok

INFO ARTIKEL ABSTRAK

Kata kunci: Tujuan:Untuk mengembangkan dan memvalidasi model prediktif menggunakan parameter klinis, fitur radiomik, dan
Kanker paru-paru non-sel kecil kombinasi keduanya untuk metastasis kelenjar getah bening (LNM) pada pasien kanker paru non-sel kecil (NSCLC) stadium IA
Metastasis kelenjar getah bening berbasis CT pra-bedah.
Model prediksi tomografi terkomputasi yang
Metode:Studi retrospektif ini melibatkan 649 pasien NSCLC stadium IA berbasis CT pra-bedah dari rumah sakit kami.
ditingkatkan kontras
Seratus tiga puluh delapan (21%) dari 649 pasien mengalami LNM setelah operasi. Sebanyak 396 fitur radiomik
Radiomik
diekstraksi dari tomografi terkomputasi kontras fase vena yang disempurnakan (CECT). Kelompok pelatihan
termasuk 455 pasien (97 dengan dan 358 tanpa LNM) dan kelompok pengujian termasuk 194 pasien (41 dengan dan
153 tanpa LNM). Algoritma operator penyusutan dan seleksi (LASSO) yang paling tidak mutlak digunakan untuk
pemilihan fitur radiomik. Hutan acak (RF) digunakan untuk pengembangan model. Tiga model (model klinis, model
radiomik, dan model gabungan) dikembangkan untuk memprediksi LNM pada pasien NSCLC tahap awal.

Hasil:Analisis ROC (juga analisis kurva keputusan) menunjukkan kinerja prediktif untuk LNM model radiomik (nilai
AUC untuk pelatihan dan pengujian, masing-masing 0,898 dan 0,851) dan model gabungan (masing-masing 0,911
dan 0,860). Keduanya tampil lebih baik daripada model klinis (masing-masing 0,739 dan 0,614; nilai p uji delong
keduanya <0,001).
Kesimpulan:Model radiomik menggunakan fase vena CE-CT memiliki potensi untuk memprediksi LNM pada pasien NSCLC
stadium IA berbasis CT pra-bedah.

1. Perkenalan
Kanker paru-paru telah diidentifikasi sebagai penyebab utama kematian
terkait kanker di seluruh dunia dan salah satu keganasan paling umum di
Cina [1]. Semakin banyak pasien non-small cell lung cancer (NSCLC) telah
diamati dalam proyek skrining untuk mendeteksi kanker paru stadium awal
dengan menggunakan computed tomography (CT) dosis rendah [2].
Pencitraan yang akurat untuk evaluasi Lymph Node Metastases (LNM) dapat
mempengaruhi pengobatan pasien ini [3]. Banyak modalitas pencitraan
seperti CT, Magnetic Resonance Imaging (MRI), Positron Emission
Tomography-CT (PET-CT), serta teknik diagnostik lainnya
seperti biopsi yang dipandu ultrasound, dan torakoskopi telah diterapkan
untuk mengevaluasi LNM pada pasien NSCLC [4,5]. Di antara teknik
pencitraan invasif minimal, PET-CT dikenal sebagai metode terbaik dalam
evaluasi status Lymph Node (LN). Namun demikian, kesalahan diagnosis [6]
dan laju negatif palsu [7] masih tetap memprihatinkan. Selain itu, biaya PET-
CT scan yang relatif tinggi tidak dapat ditanggung oleh banyak pasien di
negara berkembang [8]. Biopsi terkait patologi dan torakoskopi
mengevaluasi pementasan LN lebih baik daripada gambar radiologis,
namun, ini akan menjadi prosedur invasif untuk pasien [9,10]. Diseksi LN
bedah pada pasien NSCLC tahap awal dengan non-LNM biasanya dianggap
sebagai pengobatan berlebihan, yang

⁎Penulis yang sesuai.

Alamat email:gaofengs62@sina.com (G.shi).

https://doi.org/10.1016/j.lungcan.2019.11.003
Diterima 13 Juli 2019; Diterima dalam bentuk revisi 3 November 2019; Diterima 8 November 2019
0169-5002/ © 2019 Penulis. Diterbitkan oleh Elsevier BV Ini adalah artikel akses terbuka di bawah lisensi CC BY-NC-ND (http://
creativecommons.org/licenses/BY-NC-ND/4.0/).
M. Cong, dkk.
dapat menyebabkan trauma dan dampak negatif lainnya selama pemulihan
pasien [11]. Oleh karena itu, dianggap penting untuk menemukan metode
pencitraan baru dan berharga untuk memprediksi LNM pada pasien NSCLC.
Baru-baru ini, radiomik telah menarik lebih banyak perhatian dari ahli
radiologi [12]. Ini berfokus pada peningkatan analisis gambar,
menggunakan throughput tinggi otomatis untuk mengekstraksi fitur
kuantitatif dari sejumlah besar gambar medis, dan membangun model
untuk menggambarkan tumor dan manifestasi klinis [13]. Studi sebelumnya
telah mengkonfirmasi bahwa analisis radiomik dapat meningkatkan
diagnosis tumor dan mampu memprediksi fenotipe klinis.14,15].
Beberapa studi retrospektif menetapkan bahwa analisis radiomik dapat
memprediksi LNM menggunakan CT scan pada pasien adenokarsinoma paru
nodus positif dan nodus negatif pra-bedah [16–18]. Kami hanya menggunakan
pasien NSCLC stadium IA (pencitraan node-negatif) berbasis CT pra-bedah untuk
memprediksi LNM dalam penelitian ini. Tujuan dari penelitian kami adalah untuk
mengembangkan dan memvalidasi model prediktif menggunakan parameter
klinis, fitur radiomik, dan kombinasi keduanya untuk LNM pada pasien NSCLC
stadium IA berbasis CT pra-bedah.
2. Bahan-bahan dan metode-metode
2.1. Seleksi pasien
Analisis retrospektif ini disetujui oleh dewan peninjau etik rumah sakit
kami, dan informed consent dicabut (No.2019MEC001). Kami
mengidentifikasi pasien secara retrospektif dari September 2017 hingga
Januari 2019 dari rumah sakit kami. Kriteria inklusi mempertimbangkan
kondisi bahwa (1) Pasien menjalani reseksi radikal kanker paru-paru dengan
diseksi LN, (2) Diagnosis pasca operasi adalah NSCLC dengan atau tanpa
LNM patologis, (3) Pasien memiliki nodul paru tunggal yang lebih kecil dari 3
cm dan ( 4) Semua pasien menjalani pemindaian CE-CT spiral dada sebelum
operasi dan LNM tidak ditemukan pada gambar CT pasien (node-negatif
dalam laporan CT). Kriteria eksklusi meliputi (1) Pasien telah menerima
radioterapi dan kemoterapi sebelum operasi, (2) Pasien menjalani
pemindaian CE-CT lebih dari 1 bulan sebelum operasi, (3) Pasien tidak
memiliki pemindaian CE-CT dengan ketebalan irisan 1 mm dan (4) Pasien
memiliki metastasis jauh. Selain itu, status CT LN didefinisikan sebagai LN
jinak (LNM-negatif) (kalsifikasi dan lemak di LN) dan LN ganas (LNM-positif)
(sumbu pendek LN≥10 mm, nekrosis pada LN) untuk pasien NSCLC [19].
Status LN dan temuan CT (lekukan pleura, lobulasi, spikulasi, dan tanda
vakuola) dalam penelitian ini dievaluasi secara retrospektif pada pemindaian
CE-CT pra-bedah oleh dua ahli radiologi terpisah (dengan pengalaman 5 dan
10 tahun) tanpa sepengetahuan ahli patologi. diagnosis secara terpisah. Jika
kedua ahli radiologi gagal mencapai konsensus, keputusan harus dibuat
setelah berkonsultasi dengan ahli radiologi senior (berpengalaman 20 tahun
dalam diagnosis dada). Klasifikasi TNM dan stadium berbasis CT prabedah
didasarkan pada kriteria stadium internasional terbaru (edisi ke-8) yang
diterbitkan oleh Union for International Cancer Control dan American Joint
Committee on Cancer [20].
Jalur rekrutmen untuk total 649 pasien dalam penelitian ini seperti
yang ditunjukkan pada Gambar. A.1 dalam Bahan Tambahan. Semua
yang disebutkan di atas adalah pasien NSCLC stadium IA klinis. 649
pasien termasuk 294 pria dan 355 wanita dengan usia rata-rata 60
tahun (kisaran: 32-86 tahun). Ada 217 perokok (210 laki-laki dan 7
perempuan) dan 432 bukan perokok (84 laki-laki dan 348 perempuan)
di antara 649 pasien. Diagnosis patologis akhir dari 649 pasien NSCLC
termasuk 597 adenokarsinoma paru, 37 karsinoma sel skuamosa (SCC),
dan 15 pasien jenis lain. Total 138 pasien (21%) memiliki LNM patologis,
termasuk 54 pasien dengan N1 dan 84 pasien dengan N2.
2.2. akuisisi gambar CT
Semua pasien menjalani pemindaian CE-CT spiral dada. Untuk
skrining digunakan pemindai SOMATOM Definition Flash CT generasi
kedua dari Siemens. Pasien diperiksa dalam posisi terlentang.
74
Kanker Paru 139 (2020) 73–79
Rentang pemindaian adalah dari pintu masuk dada ke paru-paru bagian bawah
(sudut kostofrenikus), bersamaan dengan skrining terus menerus dengan napas
tunggal pada akhir inspirasi.
Pengaturan pemindaian: ketebalan irisan 1,0 mm, tegangan tabung 120
kVp, arus tabung 80–300 mA s. Semua gambar ditampilkan dengan
pengaturan jendela paru-paru standar (lebar 1200 HU, level –600 HU) dan
mediastinum (lebar 350 HU, level 40 HU). Dosis 1,5−2 ml/kg bahan kontras
beryodium dengan kecepatan 3 ml/detik disuntikkan melalui vena siku dan
pemindaian fase vena ditunda selama 90 detik. Semua gambar diekspor
dalam format DICOM (Digital Imaging and Communications in Medicine)
untuk ekstraksi fitur gambar.
2.3. Segmentasi, ekstraksi fitur, dan seleksi
Region of interest (ROI) dari tumor primer pertama kali disegmentasi
oleh perangkat lunak ITK-SNAP (versi 3.6.0;www.itksnap.org) dan kemudian
dimodifikasi oleh ahli radiologi (dengan pengalaman 5 tahun) tanpa
sepengetahuan data klinis dan patologis. ROI tumor termasuk bronkus,
pembuluh darah, dan vakuola di dalam nodul, tidak termasuk jaringan paru-
paru normal.
Perangkat lunak Artificial Intelligence Kit (AK, GE Healthcare, Life
Science, China) digunakan untuk mengekstraksi 396 fitur radiomik (42
fitur Histogram, 9 fitur faktor bentuk, 144 fitur Gray Level Co-
occurrence Matrix (GLCM), 180 Run Length Matrix ( RLM), 11 fitur Gray
Level Size Zone Matrix (GLSZM), dan 10 fitur Haralick, detail lebih lanjut
ditunjukkan pada pelengkap A). Fitur radiomik dengan ekstraksi
terperinci memiliki pengaturan berikut: ukuran nampan adalah 25,
pergeseran voxel (nilai minimum dalam HU adalah -1000, pergeseran
+1000 untuk mencegah nilai negatif dikuadratkan) adalah 300, dan
ukuran voxel adalah 1 mm isotropik (menggunakan metode interpolasi
linier), diterapkan hanya pada citra asli. Fitur kuantitatif adalah
diameter (diameter tumor maksimum dari total ukuran tumor). Semua
396 fitur radiomik adalah fitur kuantitatif.
Untuk menilai reproduktifitas fitur radiomik intra dan antar pengamat,
kami secara acak memilih 50 pasien untuk segmentasi tumor satu bulan
kemudian oleh ahli radiologi yang sama dan satu lainnya. Mereka berdua
tidak memiliki informasi atau pengetahuan tentang detail klinis dan
patologis. Selanjutnya, analisis konsistensi intra-kelompok dilakukan pada
50 gambar yang diambil oleh ahli radiologi yang sama, dan analisis
konsistensi antar kelompok dilakukan pada 50 gambar yang diambil oleh
kedua ahli radiologi tersebut.
Semua pasien dipisahkan secara acak ke dalam kelompok pelatihan dan
kelompok uji dengan pengambilan sampel bertahap dengan rasio 7:3,
menjaga agar distribusi data negatif dan positif dalam set pelatihan dan set
tes tetap konsisten. Setiap fitur radiomik diterapkan dengan normalisasi Z-
score. Mann-WhitneyASuji dan analisis varians univariat (ANOVA) dilakukan
untuk reduksi dimensi fitur. Pertama, ANOVA satu arah dilakukan untuk
variabel yang sesuai dengan distribusi normal, dan Mann-WhitneyASuji
dilakukan untuk variabel yang tidak sesuai dengan distribusi normal,
mempertahankan ciri bahwa nilai P kurang dari 0,05. Algoritma regresi
logistik Least Absolute Shrinkage and Selection Operator (LASSO) digunakan
untuk memilih fitur radiomik yang paling kuat dan non-redundan dari fitur
yang diekstrak [21].
2.4. Pembentukan model
Hutan Acak (RF) [22] model dibuat dengan menggunakan fitur
klinis, fitur radiomik, dan kedua fitur tersebut untuk memprediksi LNM
pada semua 649 pasien. Selain itu, kami juga membuat model radiomik
untuk subkelompok berdasarkan usia (≤60 tahun [muda] atau＞60
tahun [lebih tua]), jenis kelamin (pria atau wanita), dan status merokok
(bukan perokok atau perokok). Para pasien dalam subkelompok juga
M. Cong, dkk.
dipisahkan secara acak ke dalam kelompok pelatihan dan kelompok pengujian dengan perbandingan 7:3.
2.5. Analisis data
Stabilitas model ditentukan oleh validasi silang 10 kali lipat pada set
pelatihan, dilanjutkan dengan membuat model lengkap dengan semua
data set pelatihan untuk mengembangkan model prediksi akhir.
Properti model ditentukan dengan menerapkan analisis kurva Receiver
Operating Characteristic (ROC). Performa luar biasa dari model yang
sudah mapan diukur dengan nilai Area Under the Curve (AUC).
Eksperimen validasi silang 10 kali lipat dilakukan karena dua alasan.
Pertama, ini dapat memberikan perkiraan AUC yang masuk akal,
sensitivitas, spesifisitas, dan akurasi pada data yang tidak terlihat ketika
ada cukup data dan menghindari potensi jebakan kehilangan siapa
pun. Kedua, dapat ditentukan hyper-parameter model terbaik yang
pada gilirannya digunakan untuk membangun model akhir. akurasi,
sensitivitas, spesifisitas,
2.6. Analisis statistik
Variabel kontinyu dilaporkan sebagai rata-rata ± SD, sedangkan
variabel kategori dilakukan sebagai hitungan. Perbedaan variabel
kontinyu dianalisis melalui Mann-WhitneyAStes termasuk diameter
maksimum tumor. Perbedaan variabel kategori dianalisis dengan uji
chi-square meliputi usia, jenis kelamin, merokok, lokasi tumor, lobulasi,
spikulasi, lekukan pleura, dan tanda vakuola.
Klinis, radiomik, dan model gabungan dibuat dan diverifikasi
dengan menggunakan Python (www.python.org, versi 3.6) melalui
analisis fitur radiomik. Konsistensi intraobserver dan interobserver
dievaluasi dengan Intraclass Correlation Coefficient (ICC) dengan
menggunakan metode absolute agreement. Analisis Kurva Keputusan
(DCA) dilakukan untuk menghitung pengaruh klinis radiomik, model
klinis dan radiomik-klinis dalam kelompok pelatihan. Pendekatan
nonparametrik Delong diterapkan untuk menguji signifikansi statistik
perbedaan antara nilai AUC, sementara P <0,01 dianggap signifikan
secara statistik.
3. Hasil
3.1. Karakteristik pasien
Karakteristik dari semua pasien dirinci seperti padaTabel 1. Ada 455
kasus (97 pasien dengan dan 358 tanpa LNM) pada kelompok pelatihan
dan 194 kasus (41 pasien dengan dan 153 tanpa LNM) pada kelompok
uji. Kedua kelompok ini tidak memiliki perbedaan karakteristik klinis
yang signifikan (p = 0,153-0,958, lebih detail pada Tabel A.1 pada Bahan
Tambahan).
3.2. Pemilihan fitur dalam tiga model untuk semua pasien
Dua ciri klinis, diameter maksimum, dan spikulasi, dipilih untuk
menetapkan model klinis karena nilai p dari kedua ciri tersebut
berbeda secara statistik (P <0,05 padaTabel 1). Nilai AUC dari model
klinis dalam memprediksi LNM masing-masing adalah 0,739 dan 0,614
pada kohort pelatihan dan pengujian.
Alur kerja analisis radiomik seperti yang ditunjukkan padaGambar 1
. Dan hasil model validasi silang radiomik disebutkan di bawah Tabel
A.2 dalam bahan Tambahan. Pada model radiomik, tujuh fitur radiomik
yaitu Zone-Size Variance (milik parameter GLSZM), Cluster Shade (milik
parameter tekstur), Korelasi (milik parameter tekstur), Korelasi Haralick
(milik GLCM
75
Kanker Paru 139 (2020) 73–79
Parameter), Penekanan Jangka Panjang (milik Parameter RLM), Persentil15
(milik Parameter Histogram), dan Volume (milik Parameter Faktor Bentuk)
dipilih untuk membangun model radiomik (lihat Tabel A.3. dan Gambar. A.2
untuk detail lebih lanjut dalam bahan Tambahan). Nilai AUC dalam
memprediksi LNM masing-masing adalah 0,898 dan 0,851 pada kelompok
pelatihan dan kelompok uji.
3.3. Tes konsistensi
ICC intraobserver dan interobserver di antara 396 fitur radiomik berkisar
antara 0,757 hingga 0,985. Hal ini menunjukkan bahwa konsistensi intra dan
antar memiliki reliabilitas yang baik. ICC intraobserver dan interobserver
dari tujuh fitur radiomik yang dipilih seperti yang diilustrasikan pada Tabel
A.4 dalam bahan Tambahan.
3.4. Kinerja ketiga model dalam kasus semua pasien
Model radiomik-klinis didirikan dengan menggabungkan tujuh fitur
radiomik dan dua fitur klinis. Nilai AUC dari model radiomik-klinis
masing-masing adalah 0,911 dan 0,860 dalam kelompok pelatihan dan
pengujian. Model gabungan bekerja lebih baik daripada model klinis,
namun mirip dengan model radiomik.
Semua hasil mengenai kinerja prediktif disebutkan satu per satu
Meja 2dan kurva ROC seperti yang ditunjukkan padaGambar 2. Analisis
korelasi fitur klinis dan radiomik seperti yang ditunjukkan pada
Gambar. A.3 dalam bahan Tambahan. Tes Delong mengungkapkan
bahwa ada perbedaan statistik dalam nilai AUC antara model radiomik
dan model klinis, antara model radiomik-klinis dan model klinis
(keduanya p＜0,001). Meskipun demikian, tidak ada perbedaan yang
signifikan antara model radiomik dan model radiomiklinik. Analisis
kurva keputusan (Gambar 3) mengungkapkan bahwa ketika
kemungkinan ambang batas lebih dari 10%, manfaat bersih dari model
radiomik-klinis dan model radiomik untuk prediksi LNM lebih tinggi
daripada model klinis dan mengobati semua atau tidak sama sekali
pasien.
3.5. Kinerja model radiomik dalam subkelompok
Nilai AUC untuk memprediksi LNM dalam model radiomik cenderung memiliki
kinerja yang lebih tinggi dalam kohort pelatihan daripada kohort pengujian di
semua enam subkelompok (Tabel 3). Tes Delong mengungkapkan bahwa ada
perbedaan statistik dalam nilai AUC antara subkelompok yang tidak merokok dan
kelompok keseluruhan dalam kelompok pelatihan (p＜0,001). Namun, tidak ada
perbedaan yang signifikan antara subkelompok yang tidak merokok dan
kelompok keseluruhan dalam kelompok pengujian.
4. Diskusi
Dalam penelitian ini, kami mengembangkan model radiomik-klinis
yang menggabungkan fitur radiomik dan klinis dari prediksi LNM pada
pasien NSCLC stadium IA berbasis CT pra-bedah. Analisis ROC kami
menunjukkan bahwa nilai AUC prediktif sebanding dalam model
radiomik (0,851) dan model gabungan (0,860) untuk LNM, dan bahwa
kedua model secara signifikan lebih baik daripada model klinis (AUC
0,614). Analisis kurva keputusan juga mengilustrasikan bahwa kinerja
prediksi model radiomik secara signifikan lebih baik daripada model
klinis. Meskipun kurangnya validasi eksternal, analisis kurva keputusan
yang dapat mengevaluasi dampak klinis menunjukkan bahwa model
radiomik dan model gabungan memiliki kemungkinan yang lebih tinggi
untuk memprediksi LNM daripada model klinis.
Dalam penelitian kami, fitur radiomik seperti Zone-Size Variance, Cluster
Shade, Correlation, Haralick Correlation, Long Run Emphasis, Percentile15,
dan Volume CC diekstraksi untuk membangun model radiomik. Mereka milik
parameter histogram, parameter tekstur, parameter faktor bentuk,
parameter matriks co-occurrence (GLCM) tingkat abu-abu,
M. Cong, dkk. Kanker Paru 139 (2020) 73–79

Tabel 1
Fitur kualitatif dalam pengembangan model klinis.

Karakteristik Kelompok Pelatihan (n = 455) Kelompok Pengujian (n = 194)

LNM (-) LNM (+) Nilai P LNM (-) LNM (+) Nilai P

Usia 173 36 0,049 64 15 0,544

≤60 tahun 185 61 89 26
＞60 tahun
Jenis kelamin

Pria 165 46 63 20
Perempuan 193 51 0,815 90 21 0,451
Status merokok
Tidak pernah merokok 235 60 110 27
Merokok 123 37 0,488 43 14 0,333
Diameter maksimum (cm) 1,54 ± 0,03 2,15 ± 0,06 0,001 1,88 ± 0,04 2,36 ± 0,08 0.000
Lokasi
lobus atas 162 43 0,871 69 14 0,208
Lobus tengah bawah 196 54 84 27
Lekukan pleura
Tidak hadir 132 33 53 11
Hadiah 226 64 0,604 100 30 0,345
Lobulasi
Tidak hadir 91 19 33 5
Hadiah 267 78 0,234 120 36 0,179
Spikulasi
Tidak hadir 166 32 73 5
Hadiah 192 65 0,018 80 36 0.000
Tanda vakuola
Tidak hadir 273 81 121 34
Hadiah 85 16 0,128 32 7 0,586

LNM = metastasis kelenjar getah bening.

parameter run-length matrix (RLM) tingkat abu-abu, dan parameter Size
Zone Matrix (GLSZM) tingkat abu-abu. Kemanjuran fitur radiomik ini dalam
memprediksi LNM ditemukan secara signifikan lebih tinggi daripada model
klinis. Cluster Shade adalah salah satu fitur tekstur yang mengukur
kemiringan dan keseragaman GLCM. Semakin besar nilai Cluster Shade,
semakin asimetris. Penekanan Jangka Panjang adalah salah satu parameter
matriks panjang-run tingkat keabuan, yang diperoleh dari interval piksel
yang besar. Itu bisa mencerminkan garis besar gambar (tumor atau ROI)
dan itu berharga untuk tumor yang lebih besar. Zone-Size Variance adalah
salah satu tekstur GLSZM. Semakin homogen teksturnya, semakin lebar dan
rata matriksnya. Korelasi dan Haralick
Korelasi milik fitur GLCM, yang mengukur linearitas gambar dan
mencerminkan seberapa mirip GLCM dalam baris atau kolom.
Persentil15 adalah salah satu fitur histogram, ukuran yang digunakan
dalam statistik yang menunjukkan nilai di bawah 15% pengamatan
dapat ditemukan.
Studi kami mengikuti rekomendasi dari studi sebelumnya untuk
menghindari kerentanan model radiomics: [23] (1) Perangkat lunak AK
yang digunakan untuk mengekstrak fitur radiomik telah digunakan
dalam banyak penelitian dan telah diverifikasi oleh penelitian. (2) Tanda
tangan radiomik digabungkan dengan faktor klinis (misalnya diameter
maksimum) untuk membangun model 'multi-informasi'. (3) Sebuah

Gambar 1.Alur kerja analisis radiomik.

76
M. Cong, dkk. Kanker Paru 139 (2020) 73–79

Meja 2
Kinerja model klinis, radiomik dan radiomik-klinis.

AUC (95% CI) ACC SEN SPE PPV NPV Memotong

Latih kohort (n = 455)

Model klinis 0,739(0,725-0,753) 0,633 0,753 0,601 0,338 0.900 0,210
Model radiomik 0,898(0,890-0,906) 0,782 0,866 0,760 0,494 0,954 0,270
Radiomik-klinis 0,911(0,904-0,918) 0,802 0,887 0,779 0,521 0,962 0,280
Uji kohort (n = 194)
Model klinis 0,614(0,600-0,628) 0,428 0,951 0,288 0,264 0,957 0,170
Model radiomik 0,851(0,796-0,906) 0,804 0,829 0,797 0,523 0,950 0,270
Radiomik-klinis 0,860(0,812-0,908) 0,830 0,805 0,837 0,569 0,941 0,290

AUC, area di bawah kurva.

CI, interval kepercayaan.
ACC, Akurasi.
SEN, Sensitivitas.
SPE, spesifisitas.
PPV, nilai prediksi positif. NPV,
nilai prediksi negatif.

kebanyakan dari berbagai metode pengurangan dimensi digunakan

untuk meminimalkan fitur collinear, sedangkan analisis korelasi
menunjukkan bahwa tidak ada korelasi antara fitur ini. (4) Uji ICC
dilakukan untuk menguji keterulangan data. (5) Citra CT dan fitur
radiomik semuanya diproses sebelumnya untuk mengurangi dampak
dari skala yang berbeda. (6) ROI termasuk bronkus, pembuluh darah,
dan vakuola di dalam nodul, tidak termasuk jaringan paru normal.
Pelajaran sebelumnya [16–18] telah melaporkan bahwa analisis radiomik
mampu memprediksi LNM pada pasien dengan adenokarsinoma paru. Nilai
AUC predikatif berdasarkan analisis radiomik mengenai pasien yang
memiliki nodus positif dan nodus negatif pra-bedah pada CT scan adalah
0,86 dari 159 pasien [16]. Untuk pasien adenokarsinoma N0 yang dilaporkan
CT, nilai prediksi AUC adalah 0,91 dari 492 pasien [17] dan 0,76 dari 153
pasien [18] masing-masing berdasarkan analisis radiomik. Faktor yang
berbeda dari penelitian kami adalah bahwa (1) kami menggunakan
Gambar 3.Analisis kurva keputusan untuk model radiomik-klinis (sisir) dibandingkan
kumpulan data yang relatif lebih besar dengan 649 pasien NSCLC stadium IA
dengan model radiomik (rad) dan model klinis (klin) dalam kelompok pengujian. Analisis
berbasis CT sebelum operasi, (2) kami meninjau secara retrospektif semua
kurva keputusan menunjukkan bahwa ketika probabilitas ambang batas lebih dari 10%,
pemindaian CECT untuk konfirmasi pasien dengan pencitraan status LN, dan manfaat bersih model sisir dan model rad untuk prediksi metastasis kelenjar getah
(3) kami menerapkan analisis radiomik pada tiga subkelompok (usia, jenis bening lebih tinggi daripada model clin.
kelamin, dan status merokok) dari pasien NSCLC stadium IA klinis.

ditemukan pada CT scan sayatan tipis. Itulah alasan kami menggunakan semua
Tipe patologis dan grade histologis pasien dapat menjadi prediktor
jenis pasien NSCLC untuk mengembangkan model berbasis CT pra-bedah dalam
signifikan LNM awal pada pasien NSCLC [17,24]. Namun demikian,
studi terkait. Meskipun demikian, temuan patologis setelah biopsi invasif atau
diagnosis patologis NSCLC perlu dikonfirmasi dengan prosedur invasif
pembedahan memiliki potensi untuk digunakan untuk menambah nilai model
seperti biopsi atau pembedahan. Kami percaya bahwa informasi pasca-
radiomik untuk memprediksi LNM untuk pasien dalam penelitian selanjutnya.
bedah (misalnya adenokarsinoma atau jenis kanker paru lainnya) tidak
dapat menjadi parameter pra-bedah karena ahli radiologi tidak dapat
Reseksi kanker radikal dengan diseksi LN telah menjadi standar
membuat diagnosis pencitraan persis seperti patologis.

Gambar 2.Perbandingan kurva karakteristik operasi penerima (ROC) antara model klinis (klin), model radiomik (rad) dan model gabungan (sisir) masing-masing dalam
kelompok pelatihan (A) dan kelompok pengujian (B). Nilai AUC pada model comb dan model rad lebih baik daripada model clin untuk prediksi metastasis kelenjar getah
bening.

77
M. Cong, dkk. Kanker Paru 139 (2020) 73–79

Tabel 3
Nilai AUC model radiomik untuk semua grup dan subgrup.

Model radiomik Subkelompok usia Subkelompok seks Subkelompok asap

Semua grup Muda (n = 288) Penatua (N= 361) Pria (n = 294) Perempuan (n =355) Bukan (n =432) Perokok (n = 217)
(n = 649)

Kereta LNM+= 97 LNM+= 36 LNM+=61 LNM+= 46 LNM+=51 LNM+= 60 LNM+=37

LNM- = 455 LNM- = 173 LNM- = 185 LNM- = 165 LNM- = 193 LNM- = 235 LNM- = 123
nilai AUC 0,898 0,931 0,905 0,982 0,911 0,993 0,955
uji LNM+= 41 LNM+= 15 LNM+=26 LNM+= 20 LNM+=21 LNM+= 27 LNM+=14
LNM- = 153 LNM- = 64 LNM- = 89 LNM- = 63 LNM- = 90 LNM- = 110 LNM- = 43
nilai AUC 0,851 0,822 0,829 0,771 0,830 0,891 0,636

LNM = metastasis kelenjar getah bening.

AUC = luas daerah di bawah kurva. bukan
= bukan perokok.

pengobatan untuk pasien NSCLC menurut NCCN. Pedoman NCCN menyatakan:
Reseksi dan pemetaan nodus N1 dan N2 harus menjadi komponen rutin dari
reseksi kanker paru-paru—minimal tiga stasiun N2 diambil sampelnya atau diseksi
kelenjar getah bening lengkap [25]. Sebuah studi sebelumnya dari Jepang [26]
menggunakan kebijakan pembedahan yang serupa dan memisahkan 1029 pasien
stadium klinis I dan IIA NSCLC (berbasis CT atau PET) menjadi dua kategori (tumor
dengan dan tanpa komponen non-padat). Para penulis melaporkan bahwa hanya
ada 2% LNM patologis di antara 503 adenokarsinoma dengan komponen tidak
padat, tetapi 12% dengan N1 dan 14% dengan N2 di antara 526 adenokarsinoma
tanpa komponen tidak padat. Ada 21% dari 649 pasien stadium IA berbasis CT pra-
bedah dengan LNM pasca-bedah dalam penelitian kami, angkanya jauh lebih
tinggi daripada penelitian sebelumnya (berkisar antara 7,5 hingga 16,8%) [24,27,
28]. Variasi tersebut mungkin disebabkan oleh alasan berikut: (1) beberapa
penelitian [27] hanya menghitung LNM mediastinum (N2) pada pasien NSCLC
stadium IA berbasis CT pra-bedah, dan (2) beberapa penelitian [24,28] memiliki
pemindaian PET-CT sebelum operasi pada pasien mereka, sedangkan pasien kami
hanya menjalani pemindaian CE-CT sebelum operasi. Hasil kami menunjukkan
bahwa jika hanya pemindaian CE-CT yang digunakan untuk menilai status LN
sebelum operasi, maka sekitar 20% dari pasien NSCLC tahap klinis IA dengan LNM
pasca operasi dapat menjadi persentase yang wajar, dan nodul padat atau hampir
padat lebih besar dari 20 mm dengan spikulasi pada gambar CT memiliki
probabilitas tertinggi untuk menjadi positif LNM.
Dalam model klinis, kami tidak menemukan perbedaan statistik dalam usia,
jenis kelamin, dan status merokok pasien untuk memprediksi LNM patologis.
Namun demikian, usia, jenis kelamin, NSCLC dengan komponen non-padat dan
LNM patologis adalah faktor prognostik independen pada pasien NSCLC stadium
IA klinis [26]. Adenokarsinoma bagian-padat (lebih sering terlihat pada wanita dan
bukan perokok) sulit diukur dengan benar oleh ahli radiologi pada pemindaian
CECT. Oleh karena itu, nodul yang dinilai ahli radiologi dengan komponen non-
padat tidak digunakan sebagai parameter klinis dalam penelitian ini. Sebaliknya,
kami berharap bahwa analisis radiomik menjadi lebih efektif dalam
mengklasifikasikan kanker yang tidak homogen dan untuk memprediksi status
LNM patologis atau tingkat kelangsungan hidup pasien untuk keseluruhan
kelompok atau subkelompok (usia, jenis kelamin, dan status merokok).
memprediksi LNM patologis pada pasien stadium klinis IA NSCLC tergantung pada
usia, jenis kelamin atau status merokok.
Ada beberapa keterbatasan pada penelitian ini. Pertama, ukuran
sampel masih relatif kecil dan berasal dari satu institusi. Kedua, tidak
ada model prediksi tingkat kelangsungan hidup pasien karena waktu
tindak lanjut yang singkat setelah operasi. Ketiga, kinerja prediksi
model tidak cukup efektif untuk subkelompok patologis (seperti
adenokarsinoma versus SCC/lainnya, dan N1 versus N2 dalam LNM
patologis) karena kumpulan pasien yang kecil.
Sebagai kesimpulan, dapat disimpulkan bahwa model radiomik pada CT vena
memiliki potensi yang lebih besar dalam memprediksi LNM pada pasien NSCLC
stadium IA berbasis CT prabedah daripada model yang dikembangkan hanya
dengan gambaran klinis.
Persetujuan etika dan persetujuan untuk berpartisipasi
Analisis retrospektif ini disetujui oleh dewan peninjau etik rumah
sakit kami, dan informed consent dicabut (No.2019MEC001).
Pendanaan
Tidak ada pendanaan dalam penelitian ini.
Deklarasi Kepentingan Bersaing
Para penulis menyatakan bahwa mereka tidak memiliki konflik kepentingan.
Terima kasih
Penulis berterima kasih kepada Dr. Feng Li, MD, PhD, yang bekerja
di Departemen Radiologi, Universitas Chicago, atas saran ahlinya dan
pengeditan naskah ini.
Lampiran A. Data tambahan

Nilai AUC untuk memprediksi LNM dalam model radiomik menunjukkan
kinerja yang lebih tinggi dalam kohort pelatihan daripada dalam kohort
pengujian dari semua enam subkelompok (muda dan tua, pria dan wanita,
bukan perokok dan perokok). Sebagian besar nilai prediktif pada kelompok
pengujian lebih kecil dibandingkan pada kelompok keseluruhan. AUC 0,636
ditemukan sebagai yang terendah untuk pasien merokok dan juga
subkelompok ini termasuk jumlah pasien terkecil. Hasil ini menegaskan
bahwa jumlah data yang dikurangi dengan pengelompokan menyebabkan
overfitting model RF, dan AUC kelompok pelatihan bisa sangat tinggi, yang
juga mencerminkan kemampuan generalisasi yang buruk dari model
subkelompok. Hasil lain menunjukkan bahwa nilai tes AUC (0,851) pada
kelompok secara keseluruhan lebih rendah dari nilai (0,891) pada pasien
yang tidak merokok, tidak berbeda nyata dengan uji Delong. Meskipun
demikian, tidak jelas apakah model radiomik berbeda
Materi tambahan terkait artikel ini dapat ditemukan, dalam versi
online, di doi:https://doi.org/10.1016/j.lungcan.2019.11.003.
Referensi
[1]W. Chen, R. Zheng, PD Baade, dkk., Statistik kanker di China, 2015, CA Cancer J. Clin.
66 (2) (2016) 115–132.
[2]TR Church, WC Black, DR Aberle, et al., Hasil skrining tomografi terkomputasi dosis
rendah awal untuk kanker paru-paru, N. Engl. J.Med. 368 (21) (2013) 1980–1991.
[3]SB Krantz, W. Lutfi, K. Kuchta, CH Wang, KW Kim, JA Howington, Peningkatan stadium kelenjar
getah bening pada kanker paru stadium awal dalam database kanker nasional, Ann.
Toraks. Surg. 104 (6) (2017) 1805–1814.
[4]CM Walker, JH Chung, GF Abbott, dkk., Stadium kelenjar getah bening mediastinum: dari
noninvasif hingga bedah, AJR Am. J.Roentgenol. 199 (1) (2012) W54–64.
[5]A. Szlubowski, M. Zielinski, J. Soja, dkk., Penataan ulang mediastinum yang akurat dan aman

78
M. Cong, dkk.
dengan gabungan aspirasi jarum yang dipandu ultrasonografi endobronkial dan
endoskopi yang dilakukan oleh bronkoskop ultrasonografi tunggal, Eur. J. Kardiotorak.
Surg. 46 (2) (2014) 262–266.
[6]PF Roberts, DM Follette, D. von Haag, et al., Faktor-faktor yang terkait dengan pementasan
kanker paru-paru positif palsu dengan tomografi emisi positron, Ann. Toraks. Surg. 70 (4)
(2000) 1154–1159 pembahasan 1159-1160.
[7]R. Kanzaki, M. Higashiyama, A. Fujiwara, et al., Metastasis kelenjar getah bening mediastinum
okultisme pada pasien NSCLC yang didiagnosis sebagai klinis N0-1 oleh FDG-PET/CT dan CT
terintegrasi pra operasi: faktor risiko, pola, dan studi histopatologis, Kanker Paru 71 (3)
(2011) 333–337.
[8]HC Verduzco-Aguirre, G. Lopes, E. Soto-Perez-De-Celis, Implementasi sumber
diagnostik untuk kanker di negara berkembang: fokus pada PET/CT,
Ecancermedicalscience 13 (2019) ed87.
[9]W. Zhang, Y. Wei, H. Jiang, J. Xu, D. Yu, operasi torakoskopik berbantuan video versus diseksi
kelenjar getah bening torakotomi pada kanker paru stadium I klinis: metaanalisis dan
tinjauan sistem, Ann. Toraks. Surg. 101 (6) (2016) 2417–2424.
[10]PV Hegde, M. Liberman, Pementasan mediastinum: biopsi kelenjar getah bening ultrasonografi
endosonografi atau mediastinoskopi, Toraks. Surg. Klinik. 26 (3) (2016) 243–249.
[11]H. Han, H. Chen, Diseksi kelenjar getah bening selektif pada kanker paru-paru sel non-kecil
stadium awal, J. Thorac. Dis. 9 (7) (2017) 2102–2107.
[12]R. Thawani, M. McLane, N. Beig, et al., Radiomics and radiogenomics in lung
cancer: review for the clinician, Lung Cancer 115 (2018) 34–41.
[13]D. Mackin, X. Fave, L. Zhang, et al., Mengukur variabilitas pemindai tomografi
terkomputasi dari fitur radiomik, Invest. Radiol. 50 (11) (2015) 757–765.
[14]RJ Gillies, PE Kinahan, H. Hricak, Radiomics: image is more than pictures, they are
data, Radiology 278 (2) (2016) 563–577.
[15]JJM van Griethuysen, A. Fedorov, C. Parmar, et al., Sistem radiomik komputasi
untuk memecahkan kode fenotipe radiografi, Cancer Res. 77 (21) (2017) e104–
e107.
[16]X. Yang, X. Pan, H. Liu, dkk., Pendekatan baru untuk memprediksi metastasis kelenjar getah
bening pada adenokarsinoma paru padat: nomogram radiomik, J. Thorac. Dis. 10 (Sup. 7)
(2018) S807–S819.
[17]Y. Zhong, M. Yuan, T. Zhang, YD Zhang, H. Li, TF Yu, Pendekatan radiomik untuk memprediksi
metastasis kelenjar getah bening mediastinum okultisme dari adenokarsinoma paru,
79
Kanker Paru 139 (2020) 73–79
AJR Am. J.Roentgenol. 211 (1) (2018) 109–113.
[18]Y. Liu, J. Kim, Y. Balagurunathan, et al., Prediksi keterlibatan nodal patologis oleh
fitur Radiomik berbasis CT dari tumor primer pada pasien dengan
adenokarsinoma paru perifer node-negatif secara klinis, Med. Fisika. 45 (6) (2018)
2518–2526.
[19]A. Nambu, S. Kato, U. Motosugi, et al., CT bagian tipis mediastinum pada stadium N
pra operasi kanker paru-paru non-sel kecil: perbandingan dengan FDG PET, Eur.
J.Radio. 73 (3) (2010) 510–517.
[20]P. Goldstraw, K. Chansky, J. Crowley, et al., Proyek stadium kanker paru-paru IASLC: proposal
untuk revisi pengelompokan stadium TNM di masa mendatang (Kedelapan)
Edisi klasifikasi TNM untuk kanker paru-paru, J. Thorac. Oncol. 11 (1) (2016) 39–51.
[21]MM Vasquez, C. Hu, DJ Roe, Z. Chen, M. Halonen, S. Guerra, Penyusutan absolut
terkecil dan metode pemilihan jenis operator untuk identifikasi biomarker serum
kelebihan berat badan dan obesitas: simulasi dan aplikasi, BMC Med. Res. Metode.
16 (1) (2016) 154.
[22]R. Couronné, P. Probst, AL Boulesteix, Hutan acak versus regresi logistik: percobaan
patokan skala besar, BMC Bioinformatics 19 (1) (2018) 270.
[23]ML Welch, C. McIntosh, B. Haibe-Kains, et al., Kerentanan pengembangan tanda
tangan radiomik: kebutuhan akan pengamanan, Radiother. Oncol. 130 (2019) 2–9.
[24]B. Ye, M. Cheng, W. Li, et al., Faktor prediktif untuk metastasis kelenjar getah bening pada
stadium klinis adenokarsinoma paru IA, Ann. Toraks. Surg. 98 (1) (2014) 217–223.
[25]DS Ettinger, DE Wood, DL Aisner, et al., Kanker paru-paru non-sel kecil, versi
5.2017, pedoman praktik klinis NCCN dalam onkologi, J. Compr. Jaringan Kanker 15
(4) (2017) 504–535.
[26]A. Hattori, T. Matsunaga, K. Takamochi, S. Oh, K. Suzuki, Dampak prognostik
komponen opasitas kaca tanah dalam klasifikasi T klinis kanker paru-paru non-sel
kecil, J. Thorac. Kardiovaskular. Surg. 154 (6) (2017) 2102–2110 e2101.
[27]Y. Zhang, Y. Sun, J. Xiang, H. Hu, H. Chen, Model prediksi untuk penyakit N2 pada kanker paru-
paru sel non-kecil T1, J. Thorac. Kardiovaskular. Surg. 144 (6) (2012) 1360–1364.
[28]T. Koike, Y. Yamato, K. Yoshiya, S. Toyabe, Faktor risiko prediktif untuk metastasis kelenjar
getah bening mediastinum pada pasien kanker paru non-sel kecil stadium IA klinis, J.
Thorac. Oncol. 7 (8) (2012) 1246–1251.