Opportunistic prediction of osteoporosis with machine learning Models Based on Clivus-radiomic features obtained from CT images

Abstract

Amaç: Bilgisayarlı tomografi (BT) görüntüleri üzerinden klivusun radiomics verilerini, makine öğrenme algoritmaları ile kombine ederek osteoporozu (OP) tahmin etmeyi amaçladık. Gereç ve Yöntem: Retrospektif çalışmamızda, kurumumuzda çift enerjili X-ışını absorpsiyometrisi (DEXA) ve bir yıl içerisinde kraniofasial bölgeye BT tetkiki yapılmış olan 140 olgu incelemeye alındı. Hastalar DEXA T-skorlarına göre, 30’u OP, 33’ü osteopeni ve 77’si normal üç gruba ayrıldı. Segmentasyon işlemi ve radiomics özelliklerin çıkarımı “3D slicer” programı ile tek hekim tarafından yapıldı. Klivusun manuel çizilerek segmente edildi. Radiomics çıktıları, orijinal, ince-kaba Laplacian of Gaussian ve wavelet transform filtreli görüntülerden oluşmaktadır. Toplam 1023 adet radiomics özellik elde edildi. Voksel yeniden örnekleme 1x1x1 mm³ olarak standardize edildi. Makine öğrenmesi (MÖ) için Orange Data Mining programı kullanıldı. Özellik azaltma için relieff ve fast correlation based filter metodları uygulandı. MÖ algoritmaları olarak k-nearest neighborhood, decision tree, random forest, logistic regression, support vector machine (SVM), Naive Bayes ve neural network sınıflandırmaları kullanıldı. Sınıflandırmaları karşılaştırmak için eğri altında kalan alan (EAA), duyarlılık (sensitivity, recall), özgüllük (spesifite), alıcı çalışma karakteristik eğri analizi, hata matriksi gibi parametreler kullanıldı. Tüm istatistiksel sonuçlar için p<0,05 değeri anlamlı kabul edildi. Bulgular: OP ve OP olmayan (osteopeni + normal) ikili sınıflandırmada OP tahminin en yüksek başarıyı nöral network algoritması elde etti (EAA: 0,87). Düşük kemik mineral yoğunluğu (KMY) ile normal KMY’li olgulardan oluşan ikili sınıflandırmada, düşük KMY’yi en iyi tahmin eden SVM algoritması oldu (EAA: 0,82). Son olarak OP, osteopeni ve normal olmak üzere üçlü gruplandırma yapıldı. OP’yi ayırt etmede en yüksek performansı Naive Bayes algoritması elde etti (EAA: 0,9). Osteopeni grubunu tahmin etmede de Naive Bayes algoritması ön plana çıktı (EAA: 0,69). Düşük KMY ile normal KMY’li olgular arasında HU değerleri anlamlı olarak farklıydı (p<0,001). Sonuç: Çalışmamızda klivusun BT tabanlı radiomics çıktılarını kullanarak elde edilen MÖ algoritmalarının OP tahmininde kullanılabileceğini ve KMY hakkında fikir verdiği gösterdi.Objective: Osteoporosis (OP) is a major public health problem that causes significant mortality and morbidity. Therefore, early diagnosis is essential. We aimed to predict OP by combining computed tomography (CT)-based radiomic data of the clivus with machine learning (ML) algorithms. Materials and Methods: In this retrospective study, 140 cases that underwent dual energy X-ray absorptiometry (DEXA) and craniofacial CT within one year of each other between 2015 and 2021, were examined at our institution. According to DEXA T-scores, cases were divided into three groups: 30 OP, 33 osteopenia, and 77 normal. Trabecular components of the clivus were segmented, and 1023 radiomic features were extracted using 3D Slicer. Radiomic outputs consist of features from original, Laplacian of Gaussian, and wavelet transform filtered images. Voxel resampling was standardized as 1x1x1 mm³. Orange Data Mining program was used for ML. Relief and fast correlation-based filter were used for feature reduction. K-nearest neighborhood, decision tree, random forest, logistic regression, support vector machine (SVM), Naive Bayes, and neural network were used as classifiers. Area under the curve (AUC), sensitivity, specificity, receiver operating characteristic curve, and confusion matrix were used for performance evaluation. Results: In binary classification as OP and non-OP, neural network achieved the highest success in predicting OP (AUC 0.87). In the binary classification of BMD as low BMD and normal BMD, SVM was the best in predicting low BMD cases (AUC: 0.82). In the ternary classification of BMD as OP, osteopenia, and normal, Naive Bayes achieved the highest performance in distinguishing OP (AUC: 0.9) and osteopenia (AUC: 0.69). The Hounsfield Units values of the clivus were significantly different between low BMD and normal BMD cases (p<0.001). Conclusion: ML algorithms using CT-based radiomic features of the clivus can predict OP and provide BMD information.