The success of machine learning algorithms developed with radiomic features obtained from preoperative contrast-enhanced MRI in the prediction of short-term survival in patients with glioblastoma

Abstract

This study aimed to evaluate the predictability of survival in patients with glioblastoma using a machine learning (ML) model developed with tissue analysis features obtained through preoperative post-contrast T1weighted images(T1WI). Materials and Methods: The radiomic features of tumors were obtained from postcontrast T1WI of 60 glioblastoma patients. Radiomic properties, density, shape, and textural properties obtained from six matrices were included in the analysis. The patients' three-and six-month survival rates were recorded. Five different ML algorithms were applied to create predictive models [random forest, neural network, linear discriminant analysis(LDA), stochastic gradient descent (SGD), and support vector machine(SMV)]. Results: The mean survival time of the patients was 295.4 days, and the median value was 211.5 (17-1357) days. Among the models developed for three-and six-month survival prediction, the highest success was obtained from the LDA algorithm, in which the AUC values were calculated as 0.88 and 0.78, respectively. Conclusion: Using ML techniques, the success of predicting imaging-based patient survival was very high. With the development and widespread adoption of these techniques, ML models will be useful in deciding on treatment according to survival prediction in glioblastoma. Amaç: Bu çalışma ameliyat öncesi kontrastlı T1 ağırlıklı görüntülerden(T1AG) elde edilen doku analizi(radyomiks) özellikleriyle geliştirilen makine öğrenimi(MÖ) modeli kullanılarak glioblastomlu hastalarda sağkalımın öngörülebilirliğini değerlendirmeyi amaçlamaktadır. Gereç ve Yöntem: Tümörlerin radyomiks özellikleri 60 glioblastoma hastasının kontrastlı T1AG'den elde edildi. Altı matristen elde edilen radyomik özellikler, yoğunluk, şekil ve dokusal özellikler analize dahil edilmiştir. Hastaların üç ve altı aylık sağkalım oranları kaydedildi. Tahmine dayalı modeller [random forest, neural network, linear discriminant analysis(LDA), stochastic gradient descent (SGD), support vector machine(SMV)] oluşturmak için beş farklı MÖ algoritması uygulandı. Bulgular: Hastaların ortalama sağkalım süresi 295,4 gün, medyan değeri 211,5 (17-1357) gündü. Üç ve altı aylık sağkalım tahmini için geliştirilen modellerden en yüksek başarı, EAA değerlerinin sırasıyla 0,88 ve 0,78 olarak hesaplandığı LDA algoritmasından elde edilmiştir. Sonuç: MÖ tekniklerini kullanarak, görüntülemeye dayalı hasta sağkalımını tahmin etme başarısı çok yüksekti. Bu tekniklerin gelişmesi ve yaygınlaşması ile MÖ modelleri, glioblastomda sağkalım tahminine göre tedaviye karar vermede faydalı olacaktır.