Pencirian radiomik imej tomografi berkomputer angiografi koronari dan penilaian model pengelasan aterosklerosis melalui pembelajaran mesin automatik

Abstract

Punca kematian utama manusia adalah disebabkan oleh penyakit jantung atau aterosklerosis. Namun begitu, ujian saringan pengimejan tomografi berkomputer angiografi koronari (CCTA) yang digunakan bagi mengesan penyakit ini masih didiagnos secara subjektif oleh pakar. Akibatnya, ketidaktepatan laporan serta kepelbagaian laporan boleh berlaku. Justeru, terdapat lima objektif khusus kajian telah dibangunkan bagi menangani isu ini. Objektif pertama ialah mengekstrak analisis subjektif bagi imej CCTA berdasarkan laporan diagnosis pakar. Data klinikal pesakit melalui laporan subjektif pakar diekstrak secara manual ke dalam jadual taburan data dan dianalisis secara diskriptif. Hasilnya, sejumlah 288 data pesakit yang diambil secara retrospektif dari Hospital Canselor Tuanku Muhriz (HCTM) dan Institut Jantung Negara (IJN). Ia terdiri daripada pesakit Melayu, Cina, India dan lain-lain. Data usia pesakit, sejarah kesihatan pesakit, indeks jisim badan (BMI) pesakit termasuk jenis plak aterosklerosis serta peratusan penyumbatan salur darah telah diekstrak dalam bentuk carta pai. Seterusnya, bagi menjawab objektif kedua iaitu mengenal pasti nilai kebolehhasilan serta kebolehulangan segmentasi manual dan separa automatik imej CCTA bagi pengelasan penyakit aterosklerosis, kajian mendapati hasil perbandingan Inter dan Intra Class Correlation, (ICC) bagi segmentasi 30 imej CCTA-HCTM yang melibatkan dua orang pakar mendapati segmentasi separa automatik serta manual dengan teknik tetingkap tisu lembut mempunyai nilai kebolehhasilan dan kebolehulangan cemerlang yang signifikan (ICC>0.9; p<0.001). Manakala objektif ketiga ialah untuk mengekstrak ciri radiomik imej CCTA yang menyumbang kepada pengelasan penyakit aterosklerosis daripada 258 salur darah jantung utama dari HCTM serta 606 dari IJN. Sebanyak 56,160 ciri radiomik telah diekstrak menggunakan perisian LIFEx. Ia terdiri daripada Ia terdiri daripada 29 ciri turutan pertama, 31 ciri turutan kedua dan lima ciri bentuk. Seterusnya, objektif keempat pula iaitu mengenal pasti model pengelasan penyakit aterosklerosis menggunakan pembelajaran mesin automatik, berdasarkan ciri radiomik dari HCTM, model perisian Auto WEKA mencadangkan algoritma Random Forest dengan ketepatan 0.79 hingga 0.87 dan Area Under the Receiving Operating Curve (AUROC) 0.68 hingga 0.87. Manakala model Tree Based Pipeline Optimization Tool (TPOT) mencadangkan algoritma Random Forest digunakan dengan ketepatan 0.80 hingga 0.95 (AUROC: 0.50 hingga 0.82). Akhirnya, objektif kelima iaitu menilai model pengelasan penyakit aterosklerosis menggunakan pembelajaran mesin automatik, dengan menggunakan data input pengesahan dari IJN, model Auto WEKA berjaya mengesahkan algoritma Random Forest dengan input gabungan semua ciri menghasilkan ketepatan 0.77 hingga 0.95 (AUROC: 0.79 hingga 0.93). Manakala model TPOT mencadangkan algoritma Extra Trees untuk ciri radiomik turutan pertama dengan ketepatan 0.82 hingga 0.92 (AUROC: 0.69 hingga 0.91), Linear SVC untuk ciri turutan kedua dengan ketepatan 0.62 hingga 0.87 (AUROC: 0.50 hingga 0.78), MLP Classifier untuk ciri bentuk dengan ketepatan 0.57 hingga 0.78 (AUROC: 0.50 hingga 0.68) dan Linear SVC dengan ketepatan 0.81 hingga 0.89 (AUROC: 0.69 hingga 0.93) bagi kesemua gabungan ciri radiomik. Kesimpulannya, model Auto WEKA dan TPOT, menggunakan ciri turutan pertama dan kedua boleh digunakan untuk pembangunan perisian pengelasan aterosklerosis secara automatik yang tepat serta mempunyai nilai kebolehhasilan dan kebolehulangan yang cemerlang. Ia sekaligus mampu memberi impak kepada masyarakat khususnya kepada pakar radiologi dalam menginterpretasikan imej CCTA secara lebih kuantitatif