Computed tomography-based radiomics machine learning models for differentiating enchondroma and atypical cartilaginous tumor in long bones

Abstract

Purpose

To explore the value of CT-based radiomics machine learning models for differentiating enchondroma from atypical cartilaginous tumor (ACT) in long bones and methods to improve model performance.

Materials and Methods

59 enchondromas and 53 ACTs in long bones confirmed by pathology were collected retrospectively. The features were extracted from preoperative CT images of these patients, and least absolute shrinkage and selection operator (LASSO) regression was used for feature selection and dimensionality reduction. The selected features were used to construct classification models by thirteen machine learning algorithms. The data set was randomly divided into a training set and a test set at a proportion of 7:3 by ten-fold cross-validation to evaluate the performance of these models.

Results

A total of 1199 features were extracted, 9 features were selected, and 13 radiomics machine learning models were constructed. The area under the curve (AUC) of 11 models was more than 0.8, and that of 3 models was more than 0.9. The Extremely Randomized Trees model achieved the best performance (AUC = 0.9375 ± 0.0884), followed by the Adaptive Boosting model (AUC = 0.9188 ± 0.1010) and the Linear Discriminant Analysis model (AUC = 0.9062 ± 0.1459).

Conclusion

CT-based radiomics machine learning models had great ability to distinguish enchondroma and ACT in long bones. By using filters to deeply mine high-order features in the original image and selecting appropriate machine learning algorithms, the performance of the model can be improved.

Key points

• CT-based radiomics machine learning models can distinguish enchondroma and ACT in long bones.

• Using filters and selecting advanced machine learning algorithms can improve model performance.

• Clinical features have limited utility in distinguishing enchondroma and ACT in long bones.

Citation Format

• Hong R, Li Q, Ma J et al. Computed tomography-based radiomics machine learning models for differentiating enchondroma and atypical cartilaginous tumor in long bones. Fortschr Röntgenstr 2025; 197: 416–423

Zusammenfassung

Ziel

Untersuchung des Nutzens maschineller Lernmodelle für CT-basierte Radiomics bei der Unterscheidung von Enchondromen und atypischen Knorpeltumoren (ACT) in langen Knochen und Methoden zur Verbesserung der Modellleistung.

Materialien und Methoden

59 Enchondrome und 53 ACTs in langen Knochen, die histopathologisch bestätigt wurden, wurden retrospektiv erhoben. Die Merkmale wurden aus präoperativen CT-Bildern dieser Patienten extrahiert, und die Least Absolute Shrinkage and Selection Operator (LASSO)-Regression wurde zur Merkmalsauswahl und Dimensionalitätsreduktion verwendet. Die ausgewählten Funktionen wurden verwendet, um Klassifizierungsmodelle mit dreizehn Algorithmen des maschinellen Lernens zu konstruieren. Der Datensatz wurde zufällig in einen Trainingssatz und einen Testsatz mit einem Anteil von 7 × 3 durch zehnfache Kreuzvalidierung unterteilt, um die Leistung dieser Modelle zu bewerten.

Ergebnisse

Insgesamt wurden 1199 Merkmale extrahiert, neun Merkmale ausgewählt und dreizehn Modelle für maschinelles Lernen in der Radiomik konstruiert. Die Fläche unter der Kurve (AUC) von elf Modellen betrug mehr als 0,8 und die von drei Modellen mehr als 0,9. Das Extremely Randomized Trees-Modell erzielte die beste Leistung (AUC = 0,9375 ± 0,0884), gefolgt von dem Adaptiven Boosting-Modell (AUC = 0,9188 ± 0,1010) und dem Linear Discriminant Analysis-Modell (AUC = 0,9062 ± 0,1459).

Schlussfolgerung

CT-basierte Radiomics Machine Learning-Modelle hatten eine große Fähigkeit, ein Enchondrom und von einem ACT in langen Knochen zu unterscheiden. Durch die Verwendung von Filtern, um hochrangige Features im Originalbild tief abzubauen und geeignete Algorithmen für maschinelles Lernen auszuwählen, kann die Leistung des Modells verbessert werden.

Kernaussagen

• CT-basierte Radiomics Machine Learning-Modelle können Enchondrome und ACTs in langen Knochen unterscheiden.

• Die Verwendung von Filtern und die Auswahl fortschrittlicher Algorithmen für maschinelles Lernen können die Modellleistung verbessern.

• Klinische Merkmale haben begrenzten Nutzen bei der Unterscheidung eines Enchondroms von einem ACT in Röhrenknochen.

Keywords

Radiomics - Machine learning - Enchondroma - Atypical cartilaginous tumor - Long bone - Computed tomography

Publication History

Received: 09 April 2024

Accepted after revision: 03 June 2024

Article published online:
29 July 2024

• References

• 1 Anderson WJ, Doyle LA. Updates from the 2020 World Health Organization Classification of Soft Tissue and Bone Tumours. Histopathology 2021; 78: 644-657
• 2 Engel H, Herget GW, Füllgraf H. et al. Chondrogenic Bone Tumors: The Importance of Imaging Characteristics. Fortschr Röntgenstr 2021; 193: 262-274
• 3 Davies AM, Shah A, Shah R. et al. Are the tubular bones of the hand really the commonest site for an enchondroma?. Clinical Radiology 2020; 75: 533-537
• 4 Griethuysen JJv, Fedorov A, Parmar C. et al. Computational Radiomics System to Decode the Radiographic Phenotype. Cancer Research 2017; 77: e104-e107
• 5 Gitto S, Cuocolo R, Langevelde Kv. et al. MRI radiomics-based machine learning classification of atypical cartilaginous tumour and grade II chondrosarcoma of long bones. EBioMedicine 2022; 75: 103757
• 6 Gitto S, Cuocolo R, Annovazzi A. et al. CT radiomics-based machine learning classification of atypical cartilaginous tumours and appendicular chondrosarcomas. EBioMedicine 2021; 68: 103407
• 7 Deng XY, Chen HY, Yu JN. et al. Diagnostic Value of CT- and MRI-Based Texture Analysis and Imaging Findings for Grading Cartilaginous Tumors in Long Bones. Frontiers in Oncology 2021; 11: 700204
• 8 Zwanenburg A, Leger S, Vallières M. et al. Image biomarker standardisation initiative. arXiv preprint arXiv 2020;
• 9 Choi BB, Jee WH, Sunwoo HJ. et al. MR differentiation of low-grade chondrosarcoma from enchondroma. Clinical Imaging 2013; 37: 542-547
• 10 Pan J, Zhang K, Le H. et al. Radiomics Nomograms Based on Non-enhanced MRI and Clinical Risk Factors for the Differentiation of Chondrosarcoma from Enchondroma. Journal of Magnetic Resonance Imaging 2021; 54: 1314-1323
• 11 Gassert FG, Breden S, Neumann J. et al. Differentiating Enchondromas and Atypical Cartilaginous Tumors in Long Bones with Computed Tomography and Magnetic Resonance Imaging. Diagnostics 2022; 12: 2186
• 12 Mahajan P, Uddin S, Hajati F. et al. Ensemble Learning for Disease Prediction: A Review. Healthcare (Basel) 2023; 11: 1808
• 13 Ishaq A, Sadiq S, Umer M. et al. Improving the Prediction of Heart Failure Patients’ Survival Using SMOTE and Effective Data Mining Techniques. IEEE Access 2021; 9: 39707-39716
• 14 Erdem F, Tamsel İ, Demirpolat G. The use of radiomics and machine learning for the differentiation of chondrosarcoma from enchondroma. Journal of Clinical Ultrasound 2023; 51: 1027-1035
• 15 Fritz B, Yi PH, Kijowski R. et al. Radiomics and Deep Learning for Disease Detection in Musculoskeletal Radiology: An Overview of Novel MRI- and CT-Based Approaches. Investigative Radiology 2023; 58: 3-13