Machine learning CT-model voorspelt recidiefkans op NSCLC

Een machine learning-model op basis van CT-data uit de screeningfase lijkt een veelbelovende manier om het recidiefrisico bij niet-kleincellig longcarcinoom (NSCLC) te voorspellen. NSCLC is de meest voorkomende vorm van longkanker en kent een hoog recidiefrisico na chirurgische resectie. Tools die dit risico vroeg kunnen voorspellen zijn nodig om al kort na de diagnose te bepalen welke patiënten een agressievere behandeling nodig hebben.

Italiaanse onderzoekers ontwikkelden hiervoor een model met machine transfer learning op CT-data uit een radiogenoom-dataset van patiënten met NSCLC met beelden van de primaire tumor en klinische informatie. Zij identificeerden drie regio's van interesse op basis van de CT-doorsnede met het maximale tumorgebied en met drie dilatatiegroottes: CROP zonder dilatatie, CROP10 en CROP20. Uit deze regio's extraheerde de software radiomics-kenmerken.

Het model dat de CROP20-beelden analyseerde, met het meeste peritumorale gebied, gaf de beste resultaten. In de trainingset was de area under the curve (AUC) 0,73, de nauwkeurigheid 0,61 en de sensitiviteit en specificiteit respectievelijk 0,63 en 0,60. In de testfase lagen deze waarden hoger: een AUC van 0,83, een nauwkeurigheid van 0,79 en een sensitiviteit en specificiteit van respectievelijk 0,80 en 0,78.

Volgens de onderzoekers zijn dit veelbelovende eerste resultaten en is het model na verdere validatie mogelijk inzetbaar in de klinische praktijk om het recidiefrisico na operatie in te schatten.