Utilization of a machine learning algorithm for the application of ancillary features to LI-RADS categories LR3 and LR4 on gadoxetate disodium-enhanced MRI

Abstract

In the Liver Imaging Reporting and Data System (LI-RADS), liver observations are classified from LR1 (definitely benign) to LR5 (definitely hepatocellular carcinoma [HCC]) according to the probability of benignity and HCC. After allocation to a category from LR1 to LR5 based on the major features, adjustment is allowed using ancillary features (AFs). However, LI-RADS does not provide specific guidelines for the application of AFs. Thus, this study aimed to identify the important AFs and determine the utilization of a machine-learning-based strategy for applying AFs to LR3/4 observations on gadoxetate disodium-enhanced MRI. We retrospectively analyzed the MRI features of 245 hepatic observations categorized as LR3/4 determined with only major features, regardless of AFs on gadoxetate disodium-enhanced MRI between January 2017 and February 2022. Uni- and multivariate analyses and random forest analysis were performed to identify AFs associated with HCC. A decision tree algorithm for applying AFs for LR3/4 observations was developed and compared with other alternative methods using McNemar’s test. In multivariate analysis, restricted diffusion and mild-moderate T2 hyperintensity showed independent associations with HCC with odds ratios (OR) of 12.4 (95% confidence interval [CI], 5.1–30.35; p<0.001) and 2.5 (95% CI, 1.1–5.3; p=0.02), respectively. Random forest analysis confirmed that restricted diffusion is the most important feature for diagnosis of HCC (important ratio, 0.48), followed by mild-moderate T2 hyperintensity (important ratio, 0.21). The decision tree algorithm proposed in this study was compared with other alternative application methods (i.e. criterion of the number of AFs≥3 and criterion using only restricted diffusion) showed higher AUC (0.84 vs. 0.75 vs. 0.78), sensitivity (92.0% vs. 77.6% vs. 64.5%), and accuracy (84.5% vs. 75.5% vs. 76.4%; all (p<0.05)); however, it showed lower specificity than the criteria of usage of restricted diffusion (91.3% vs. 71.1%; p<0.001). In conclusion, among the LI-RADS v2018 AFs favoring malignancy, restricted diffusion and mild-moderate T2 hyperintensity show a strong association for the diagnosis of HCC in LR3 and LR4 observations. Our decision tree algorithm for applying AFs to LR3 and LR4 observations provides significantly increased AUC, sensitivity, and accuracy but reduced specificity. These appear to be more useful when emphasizing early diagnosis of HCC.;간 영상 보고 및 데이터 시스템(LI-RADS)에서 간의 병변은 양성 및 간세포 암의 확률에 따라 LR1(확실히 양성)에서 LR5(확실히 HCC)로 분류된다. 각각의 병변은 주소견을 기준으로 LR1에서 LR5의 범주로 할당된 후 부소견을 바탕으로 범주는 재조정된다. 그러나 LI-RADS는 부소견의 적용에 대한 특정 지침을 제공하지 않는다. 따라서 이 연구는 중요한 여러 부소견 중 중요한 소견을 확인하고 gadoxetate disodium-enhanced MRI에서 관찰된 LR3/4 병변에 부소견를 적용하기 위한 기계 학습 기반의 알고리즘의 활용 가능성 및 방향을 알아보고자 한다. 우리는 2017년 1월부터 2022년 2월까지 gadoxetate disodium-enhanced MRI에서 주소견만으로 확인된 245개의 LR3/4 병변의 MRI 소견을 후향적으로 분석하였다. 간세포암과 관련된 중요 부소견을 확인하기 위해 단변량 및 다변량 분석과 랜덤 포레스트 분석을 수행하였다. 또한 우리는 LR3/4 병변에 부소견을 적용하기 위한 결정 나무 알고리즘을 개발하였고 이의 진단능을 다른 대안 전략들과 McNemar 테스트를 사용하여 비교하였다. 다변량 분석에서 제한된 확산과 경도에서 중등도의 T2 고강도는 각각 교차비 12.4(95% 신뢰 구간[CI], 5.1–30.35; p<0.001), 2.5(95% CI, 1.1–5.3, p=0.02)로 간세포암과 통계적으로 유의한 중요 인자로 확인되었다. 랜덤 포레스트 분석에서 역시 제한된 확산이 간세포암 진단에서 가장 중요한 특징임이 확인되었고(중요 비율, 0.48) 그 다음으로 경도에서 중등도의 T2 고강도가 중요 요소(중요 비율, 0.21)임이 확인되었다. 본 연구에서 제안하는 의사 결정 나무 알고리즘은 다른 대안 적용 방식인 부소견 개수의 3개 이상일 경우 및 제한된 확산 소견만을 적용한 방식과 비교하여 더 높은 AUC (0.84 vs. 0.75 vs. 0.78), 민감도 (92.0% vs. 77.6% vs. 64.5%) 및 정확도 (84.5% vs. 75.5% vs. 76.4%)를 보여주었다 (p<0.05). 그러나 이는 제한된 확산의 사용 기준(91.3% vs. 71.1%; p<0.001)보다 낮은 특이도를 보였다. 결론적으로, LI-RADS v2018의 부소견 중에서 제한된 확산 및 경도에서 중등도의 T2 고강도는 LR3/4 병변에서 간세포암종과 강한 연관성을 보여주었다. LR3/4 병변에 부소견을 적용하기 위해 개발된 의사 결정 나무 알고리즘은 높은 AUC, 민감도 및 정확도를 보여주었으나 낮은 특이성을 보여주었다. 이는 간세포암종의 초기 발견에 중점을 두는 상황에서 유용하게 적용될 것으로 보인다.