Radiomics for radiologic prediction of molecular class in patients with low-grade glioma.

Abstract

Bakgrunn: Historisk sett, ble diffust infiltrerende lavgradige gliomer (LGG) klassifisert ved hjelp av kun histopatologisk informasjon hentet fra en invasiv prøve av tumoralt vev, som krever et operativ inngrep. Den reviderte 2016 WHO klassifikasjonen av svulster i sentralnervesystemet, som for første gang innlemmet molekylær informasjon, har identifisert tre molekylære subgrupper med betydelig forskjellige karakteristika og overlevelsesutfall. En ikke-invasiv prediksjon av molekylær klass kan hjelpe med å rettlede klinisk avgjørelsestaking. Målsetting: Å utvikle en non-invasiv algoritme i stand til å automatisk klassifisere konvensjonelle MR bilder til en av de tre molekylære klassene av LGG, ved hjelp av dyplæring metoder. Metode: Vi identifiserte retrospektivt alle voskne pasienter med en patologisk bekreftet diagnose av LGG ved to institusjoner, på St. Olavs Hospital (SOH) i Trondheim, Norge, og på Brigham and Women's Hospital (BWH) i Boston US. Preoperative bildeundersøkelser ble hentet fra 43 SOH pasienter og 326 BWH pasienter, preprosessert, og delt i trening-, validering-, og testsetter. Resultat: Vi brukte tre vidt aksepterte konvolusjon nevral nettverk arkitekturer for å trene algoritmen, nemlig U-Net, VGG-16, og Inception-V3. Den høyeste F1 verdien i testsettet ble oppnådd ved bruk av Inception-V3 algoritmen (IDH-muterte 1p/19q-kodeleterte oligodendrogliomer: 0.97; IDH-muterte astrocytomer: 0.96; IDH-vildtype astrocytomer: 0.96). Den ble etterfulgt av VGG arkitektur (IDH-muterte 1p/19q-kodeleterte oligodendrogliomer: 0.96; IDH-muterte astrocytomer: 0.96; IDH-vildtype astrocytomer: 0.95), og til slutt av U-Net (IDH-muterte 1p/19q-kodeleterte oligodendrogliomer: 0.84; IDH-muterte astrocytomer: 0.83; IDH-vildtype astrocytomer: 0.84). Konklusjon: Våre resultater viser gjennomførbarheten og nøyaktigheten av en ende-til-ende dyplæring tilnærming for klassifisering av LGG til en av de nylig beskrevne molekylære subgrupper. Videre arbeid er nødvendig for å øke forklarbarheten dvs. hva algoritmen lærer i løpet av trening, før man kan validere den prospektivt i klinikken.

Background: Diffuse infiltrating low-grade gliomas (LGG) have been traditionally classified using histopathological information gleaned during an invasive sampling of the tumor tissue that invariably requires an operative intervention. The revised 2016 WHO classification of central nervous system tumors, which for the first time incorporated molecular information, has identified three molecular subgroups of LGG with substantially different characteristics and survival outcomes. Non-invasive prediction of molecular class can help guide clinical decision making. Purpose. To develop a non-invasive algorithm able to automatically classify a conventional MR image into one of the three molecular classes of LGG, using deep learning techniques. Methods. We retrospectively identified all adult patients with a pathologically-confirmed diagnosis of LGG in two institutions, St. Olavs Hospital (SOH) in Trondheim, Norway, and Brigham and Women’s Hospital (BWH) in Boston, US. Preoperative imaging was acquired for 43 patients from SOH and 326 patients from BWH, pre-processed, and divided in training, validation, and test sets. Results: We used three widely accepted convolutional neural network architectures to train our algorithm, namely U-Net, VGG-16, and Inception-V3. The highest F1 scores in the test set were achieved using the Inception-V3 architecture (IDH-mutant 1p/19q- codeleted oligodendrogliomas: 0.97; IDH-mutant astrocytomas: 0.96; IDH-wildtype astrocytomas: 0.96). This was followed by the VGG architecture (IDH-mutant 1p/19q- codeleted oligodendrogliomas: 0.96; IDH-mutant astrocytomas: 0.96; IDH-wildtype astrocytomas: 0.95), and finally the U-Net (IDH-mutant 1p/19q-codeleted oligodendrogliomas: 0.84; IDH-mutant astrocytomas: 0.83; IDH-wildtype astrocytomas: 0.84). Conclusion: Our results demonstrate the feasibility and high accuracy of an end-to-end deep learning approach for classification of LGG into one of the newly described molecular subgroups. Further work is required to add interpretability regarding what the algorithm learns during training before it can be prospectively validated in clinical settings.