Details

Методы радиомики успешно показали себя в исследованиях онкологических заболеваний. Цель работы – показать потенциал данного метода в области исследования психотических расстройств с помощью ПЭТ. В ходе работы была построена модель машинного обучения для выполнения задачи классификации ПЭТ/КТ сканов с 18F-ФДГ у пациентов психотическими расстройствами на две группы: пациенты, употребляющие психоактивные вещества и пациенты с нейродегенеративными заболеваниями. Постобработка и выделение зон интереса проводились средствами ПО SPM12. 21 изображение было нормализовано, сглажено и подвергнуто относительной дискретизации уровней серого. Выполнение двух выборочного t-теста Стьюдента позволило выделить три зоны интереса, для которых были рассчитаны текстурные величины с помощью пакета PyRadiomics на языке Python. На основе коэффициента альфа Кронбаха, U-критерия Манна-Уитни и матрицы корреляции Спирмена было отобрано три предиктора для модели логистической регрессии. Точность модели оценивалась путем 3-фолдовой 10-кратной перекрёстной проверки. Средние значения метрик accuracy, sensitivity, specificity и AUC получились следующими: 0.90 ± 0.10, 0.91 ± 0.15, 0.90 ± 0.14, 0.90 ± 0.10. Результаты демонстрируют явные количественные различия двух групп изображений, однако требуются дальнейшие исследования.

Radiomics methods have been successfully applied in cancer research. The goal of this study is to demonstrate the potential of these methods in the field of psychotic disorder research using PET imaging. During the project, a machine learning model was developed to classify PET/CT scans of patients with psychotic disorders who have taken 18F-FDG into two categories: patients who use psychoactive substances and patients with neurodegenerative disorders. Post-processing and identification of regions of interest were performed using SM12 software. 21 images were normalized, smoothed, and subjected to a relative quantization of gray levels. Performing a two-sample Student t-test allowed us to identify three regions of interest for which texture features were calculated using the PyRadiomics package in Python. Based on the Cronbachs alpha coefficient, the Mann-Whitney U-test and the Spearmans correlation matrix, three predictors were selected for the logistic regression model. The model was assessed using 10 times repeated 3-fold cross-validation strategy. The mean values for the accuracy, sensitivity, specificity, and AUC were 0.90 ± 0.10, 0.91 ± 0.15, 0.90 ± 0.14, and 0.90 ± 0.10 respectively. The results clearly demonstrate quantitative differences between the two image groups, but further research is required.