F-FDG PET/CT画像を用いた肺腺癌におけるEGFR変異サブタイプの予測

Predicting EGFR mutation subtypes in lung adenocarcinoma using F-FDG PET/CT radiomic features.

• Qiufang Liu
• Dazhen Sun
• Nan Li
• Jinman Kim
• Dagan Feng
• Gang Huang
• Lisheng Wang
• Shaoli Song

抄録

背景:

チロシンキナーゼ阻害剤（TKI）による治療の前に、上皮成長因子受容体（EGFR）の変異型を同定することは非常に重要である。ラジオミクスは、がんの遺伝的状態を非侵襲的に予測する新しい手法である。本研究では、特定のEGFR変異サブタイプを同定するために、F-フルオロデオキシグルコースポジトロン断層撮影（F-FDG PET/CT）ラジオミクス特徴に基づいた予測モデルを開発することを目的とした。

Background: Identification of epidermal growth factor receptor (EGFR) mutation types is crucial before tyrosine kinase inhibitors (TKIs) treatment. Radiomics is a new strategy to noninvasively predict the genetic status of cancer. In this study, we aimed to develop a predictive model based on F-fluorodeoxyglucose positron emission tomography-computed tomography (F-FDG PET/CT) radiomic features to identify the specific EGFR mutation subtypes.

方法:

CTスキャンの設定が異なる2つの病院でスキャンされた単離性肺病変患者148人のF-FDG PET/CT画像をレトロスペクティブに検討した（スライス厚さはそれぞれ3mmと5mm）。PET/CT画像上で腫瘍領域を手動でセグメント化し、腫瘍領域から1,570個（CTから1,470個、PETから100個）のラジオミック特徴を抽出した。最初にMann white U検定を用いて、異なるCT設定に鈍感な794個のラジオミック特徴量を選択し、ばらつきインフレ係数を再帰的に計算することにより、それらの特徴量からさらにコリネア特徴量を除去した。その後、複数の教師付き機械学習モデルを用いて、予後を予測する放射線医学的特徴を同定した。(I)異なるEGFR変異状態を識別する上で重要度の高い特徴を選択するための多変量ランダムフォレスト；(II)EGFRサブタイプの中で最も予測値の高い特徴を選択するためのロジスティック回帰モデル。EGFR変異予測モデルは、一般的なXgboost機械学習アルゴリズムを用いて、予後を予測するX線画像特徴量から構築し、3倍のクロスバリデーションを用いて検証した。予測モデルの性能は、レシーバー操作特性曲線（ROC）を用いて解析し、曲線下面積（AUC）で測定した。

Methods: We retrospectively studied F-FDG PET/CT images of 148 patients with isolated lung lesions, which were scanned in two hospitals with different CT scan setting (slice thickness: 3 and 5 mm, respectively). The tumor regions were manually segmented on PET/CT images, and 1,570 radiomic features (1,470 from CT and 100 from PET) were extracted from the tumor regions. Seven hundred and ninety-four radiomic features insensitive to different CT settings were first selected using the Mann white U test, and collinear features were further removed from them by recursively calculating the variation inflation factor. Then, multiple supervised machine learning models were applied to identify prognostic radiomic features through: (I) a multi-variate random forest to select features of high importance in discriminating different EGFR mutation status; (II) a logistic regression model to select features of the highest predictive value of the EGFR subtypes. The EGFR mutation predicting model was constructed from prognostic radiomic features using the popular Xgboost machine-learning algorithm and validated using 3-fold cross-validation. The performance of predicting model was analyzed using the receiver operating characteristic curve (ROC) and measured with the area under the curve (AUC).

結果:

特定のEGFR突然変異サブタイプに対して2つの予後予測ラジオミクス的特徴が見出された。EGFRエキソン19欠失に対する5つの放射線学的特徴と、EGFRエキソン21 L858Rミスセンスに対する5つの放射線学的特徴である。対応するラジオミック予測器は、それぞれAUCで0.77と0.92の予測精度を達成した。これら2つの予測因子を組み合わせてEGFR変異陽性予測モデルを構築したところ、AUCは0.87であった。

Results: Two sets of prognostic radiomic features were found for specific EGFR mutation subtypes: 5 radiomic features for EGFR exon 19 deletions, and 5 radiomic features for EGFR exon 21 L858R missense. The corresponding radiomic predictors achieved the prediction accuracies of 0.77 and 0.92 in terms of AUC, respectively. Combing these two predictors, the overall model for predicting EGFR mutation positivity was also constructed, and the AUC was 0.87.

結論:

本研究では、18F-FDG PET/CT画像のラジオミック解析に基づいて予測モデルを構築した。その結果、肺癌におけるEGFR突然変異サブタイプの同定と同様に、EGFR突然変異状態の同定においても満足のいく予測力を達成した。

Conclusions: In our study, we established predictive models based on radiomic analysis of 18F-FDG PET/CT images. And it achieved a satisfying prediction power in the identification of EGFR mutation status as well as the certain EGFR mutation subtypes in lung cancer.

2020 Translational Lung Cancer Research. All rights reserved.