Cíl: Cílem naší studie bylo odlišit glioblastom (GBM) od solitární metastázy mozku za pomoci strojových modelů vyvinutých na základě radiomických dat získaných automatickou segmentací nádoru z konvenčích MR skenů pacientů pomocí umělé inteligence. Metody: Naše studie byla prováděna na jednom pracovišti a byla retrospektivní. Do studie bylo zařazeno 35 pacientů s GBM a 25 pacientů se solitární metastázou na mozku, u nichž byla před operací provedena MR mozku s kontrastní látkou. Do programu BraTumIA byly nahrány T1 vážené obrazy, T1 vážené obrazy po podání kontrastní látky, T2 vážené obrazy a T2 vážené obrazy s využitím sekvence fluid attenuated inversion recovery (FLAIR). V programu byly léze pacienta pomocí umělé inteligence rozděleny do čtyř různých segmentů: nekróza, nesytící se solidní oblast, sytící se solidní oblast a peritumorózní edém. Z T1 obrazů po podání kontrastní látky a T2 FLAIR obrazů bylo extrahováno 856 znaků. Pro výběr znaků, optimalizaci modelu a validaci byl použit vnořený (nested) přístup. Byly modelovány umělé neuronové sítě, podpůrný vektorový stroj, náhodný les a naivní bayesovský klasifikátor. Funkce modelu byla hodnocena pomocí přesnosti, senzitivity, specificity a plochy pod křivkou (area under the curve; AUC). Výsledky: Mezi skupinami s GBM a s metastázou nebyly rozdíly ve věku a pohlaví. Nejúspěšnější výsledky byly získány pomocí algoritmu neuronové sítě – byla získána hodnota AUC 0,970. U algoritmů za použití podpůrného vektorové stroje, naivního bayesovského klasifikátoru, logistické regrese či náhodného lesu byly získány hodnoty AUC 0,959, 0,955, 0,955, respektive 0,917. Závěr: V diferenciální diagnostice GBM a solitárních metastáz mozku mohou modely umělé inteligence založené na radiomických datech pomocí automatické segmentace objektivně a s vysokou přesností odlišovat tak, že závislost na prostředku a osobě udržují na nejnižší úrovni za použití prostých konvenčních sekvencí.

Aim: Our study aimed to distinguish glioblastoma (GBM) from solitary brain metastasis with machine models developed with radiomics data obtained by artificial intelligence-based automatic tumour segmentation over conventional MRI of the patients. Methods: Our study was conducted as single-centre and retrospective. Thirty-five GBM and 25 solitary brain metastasis patients who had pre-operative contrast-enhanced brain MRI were included in the study. T1-weighted, postcontrast T1-weighted, T2-weighted and fluid attenuated inversion recovery (FLAIR) T2-weighted images of the patients were uploaded to the program named BraTumIA. With the program, the patient‘s lesions were divided into four different segments by artificial intelligence as necrosis, non-enhancing solid area, enhancing solid area and peritumorous oedema. 856 features were extracted from T1 post-contrast and T2 FLAIR images. A nested approach was used for feature selection, model optimization and validation. Artificial neural networks, support vector machine, random forest and naive bayes were modelled. Accuracy, sensitivity, specificity and area under the curve (AUC) parameters were used to evaluate the model performance. Results: There was no difference between GBM and metastasis groups in terms of age and gender. The most successful results were obtained in the neural network algorithm; 0.970 AUC was found. Other support vector machine, naive bayes, logistic regression and random forest algorithms also found 0.959, 0.955, 0.955, 0.917 AUC values, respectively. Conclusion: In the differential diagnosis of GBM and solitary brain metastasis, radiomics-based artificial intelligence models obtained by automatic segmentation can distinguish objectively and with high accuracy by keeping device and person dependency at the lowest level with only conventional sequences.

• Klíčová slova
• automatická segmentace,
• MeSH
• diagnóza počítačová MeSH
• glioblastom * diagnostické zobrazování   diagnóza   MeSH
• lidé MeSH
• magnetická rezonanční tomografie MeSH
• metastázy nádorů MeSH
• nádory mozku * diagnostické zobrazování   diagnóza   sekundární   MeSH
• počítačové zpracování obrazu MeSH
• strojové učení MeSH
• Check Tag
• lidé MeSH