Developing a Novel Image Marker to Predict the Clinical Outcome of Neoadjuvant Chemotherapy (NACT) for Ovarian Cancer Patients

要約

目的 ネオアジュバント化学療法（NACT）は、進行期卵巣癌患者に対する治療の1つである。しかし、腫瘍の不均一性の性質により、NACTに対する臨床転帰はサブグループによって大きく異なる。NACTに対する部分奏効は、最適なデバルキング手術に至らない可能性があり、予後を悪化させる。この臨床的課題に対処するため、本研究の目的は、NACTの高精度予後予測を早期に達成するための新規画像マーカーを開発することである。方法 この目的のために、まず腫瘍の特徴を定量化するために合計1373個のラジオミクス特徴を計算した。次に、これらすべての特徴を主成分分析アルゴリズムにより最適化し、コンパクトで情報量の多い特徴クラスターを生成した。このクラスターは、サポートベクターマシン（SVM）ベースの分類器を開発し最適化するための入力として使用され、NACT治療後に至適細胞減量を受ける可能性を示した。SVMアルゴリズムの2つの異なるカーネルを検討し、比較した。このスキームを検証するため、合計42例の卵巣がん症例をレトロスペクティブに収集した。モデル性能の評価には、入れ子式リーブワンアウト交差検証の枠組みを採用した。結果 ガウス放射基底関数カーネルSVMを用いたモデルは、0.806のAUC（ROC［receiver characteristic operation］曲線下面積）を示した。一方、このモデルは総合的精度（ACC）83.3％、陽性的中率（PPV）81.8％、陰性的中率（NPV）83.9％を達成した。結論本研究は、NACT治療成績予測におけるラジオミクスに基づく画像マーカーの開発に有意義な情報を提供する。

要約(オリジナル)

Objective Neoadjuvant chemotherapy (NACT) is one kind of treatment for advanced stage ovarian cancer patients. However, due to the nature of tumor heterogeneity, the clinical outcomes to NACT vary significantly among different subgroups. Partial responses to NACT may lead to suboptimal debulking surgery, which will result in adverse prognosis. To address this clinical challenge, the purpose of this study is to develop a novel image marker to achieve high accuracy prognosis prediction of NACT at an early stage. Methods For this purpose, we first computed a total of 1373 radiomics features to quantify the tumor characteristics, which can be grouped into three categories: geometric, intensity, and texture features. Second, all these features were optimized by principal component analysis algorithm to generate a compact and informative feature cluster. This cluster was used as input for developing and optimizing support vector machine (SVM) based classifiers, which indicated the likelihood of receiving suboptimal cytoreduction after the NACT treatment. Two different kernels for SVM algorithm were explored and compared. A total of 42 ovarian cancer cases were retrospectively collected to validate the scheme. A nested leave-one-out cross-validation framework was adopted for model performance assessment. Results The results demonstrated that the model with a Gaussian radial basis function kernel SVM yielded an AUC (area under the ROC [receiver characteristic operation] curve) of 0.806. Meanwhile, this model achieved overall accuracy (ACC) of 83.3%, positive predictive value (PPV) of 81.8%, and negative predictive value (NPV) of 83.9%. Conclusion This study provides meaningful information for the development of radiomics based image markers in NACT treatment outcome prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL