Diagnosing mouse liver fibrosis using machine learning models based on T2-weighted MRI radiomics

Abstract

We aimed to determine whether machine learning models developed using radiomics features of T2-weighted MRI can evaluate fibrosis in a mouse model with liver injury. In this study, 6-week-old male C57BL/6 mice were fed a special diet of 3,5-diethoxycarbonyl- 1,4-dihydrocollidine (DDC) to induce cholestatic liver fibrosis. T2-weighted images were acquired using a 9.4 T MRI and images from the mice were further classified into the training set and test set to develop machine learning models. The training set consisted of 39 mice on the DDC diet for one to eleven weeks, with imaging conducted both before and after the feeding period. The test set consisted of 20 mice, with ten on a standard diet (feed without DDC) and ten on a two-week DDC diet. The characteristics of the T2-weighted images were analyzed using radiomics features. After MRI scanning, animals were sacrificed to establish a radiologic-pathologic correlation for liver fibrosis. Liver specimens were stained with Sirius Red, and the collagen proportional area (CPA, %) was measured to quantify liver fibrosis. Fibrosis grades were categorized as none, mild, or moderate based on the CPA. A commercial software package (Syngo.via Frontier, version 1.3.0; Siemens Healthineers, Munich, Germany) was used to develop multiple linear regression (MLR) and random forest (RF) models based on radiomics features. Model performance for evaluating the presence/absence of liver fibrosis was assessed using the area under the receiver operating characteristic curve (AUC). Additionally, correlations between the severity of liver fibrosis, assessed using CPA and fibrosis grade, and radiomics variables were analyzed using the Spearman and Kendall methods. 39 mice (baseline MRI: fibrosis MRI = 22: 28) were included in the training set, and 20 mice (control MRI: fibrosis MRI = 8: 10) were included in the test set. From the T2-weighted images of the training set, 845 radiomics features were extracted and ten of the most relevant features were selected. The AUC for diagnosing liver fibrosis was 0.991 for the MLR model (sensitivity 97.5%, specificity 94.2%), and the average AUC was 0.945 (sensitivity 88.9%, specificity 85.5%) for the RF model after 10-fold cross-validation. When MLR and RF models were applied to the test set, the AUC of the MLR model was 0.645 (sensitivity 90%, specificity 33.3%), and the AUC of the RF model was 0.817 (sensitivity 90%, specificity 41.7%). In both the training and test sets, the key variables from the MLR and RF models showed correlations with liver CPA and fibrosis grade. In the training set, the most significant ten variables of the RF model were all significantly correlated with fibrosis grade (all, P ≤ 0.001). In this study, the random forest model derived from the radiomics features of T2-weighted MRI was able to help diagnose liver fibrosis in a mouse model. 본 연구에서 T2-강조 영상에서 얻은 방사선 유래 특징(radiomics feature)들을 대상으로 개발된 머신러닝 모델이 간 손상 마우스 모델에서 다양한 정도의 섬유증을 평가할 수 있는지 연구하고자 했습니다. 본 연구에서, 6주령의 수컷 C57BL/6 마우스에게 3,5-디에톡시카보닐-1,4- 디히드로콜리딘(DDC)이 포함된 특수 사료를 먹여 간의 섬유화를 유발하였습니다. T2- 강조영상은 9.4T MRI에서 촬영하였습니다. 훈련세트는 DDC 사료를 1주에서 11주간 급여받은 39마리 마우스의 간 이미지가 포함되었고, DDC 사료 급여 전과 후에 영상은 촬영하였습니다. 테스트 세트는 일반 사료를 급여받은 10마리와 DDC 사료를 2주간 급여받은 10마리, 총 20마리 마우스로 구성되었습니다. 모든 MRI 사진은 방사선 유래 특징들로 분석되었습니다. 방사선 병리학적 상관관계를 확인하고자, 마우스들은 MRI촬영 후 희생하여 간조직 샘플을 얻었습니다. Sirus red 염색을 통해 콜라겐 면적 비율을 측정하여 간 섬유증을 정량화하였습니다. 섬유증 등급은 콜라겐 면적 비율에 따라 없음, 경도, 중증도로 분류되었습니다. 방사선 유래 특징 분석 및 머신러닝 모델 개발에는 상용 소프트웨어 (Syngo.via Frontier, version 1.3.0; Siemens Healthineers, Munich, Germany)를 사용했으며, 다중 선형 회귀 (Multiple linear regression MLR)과 랜덤 포레스트 (Random Forest, RF) 모델이 개발되었습니다. 간 섬유증 유무 평가에 대한 모델 성능은 수신자 조작 특성 곡선 (Receiver Operating Characteristic, ROC)을 통하여 평가되었습니다. 다양한 섬유증 정도는 콜라겐 면적비율 또는 섬유증 등급으로 표현하여, radiomics 변수들과의 상관관계를 Spearman 및 Kendall 방법으로 분석했습니다. 훈련 세트에는 총 50개의 MRI (기저 데이터: 섬유증 = 22:28)이 포함되었으며, 테스트 세트에는 총 18개의 MRI (대조군: 섬유증: 8:10)이 포함되었고, 총 845개의 방사선 유래 특징이 추출되었습니다. 이 중 가장 관련성 높은 10개의 특징이 선택되었습니다. 간 섬유증 진단에 대한 곡선 아래 면적(Area under the cureve, AUC)은 MLR 모델에서 0.991(민감도 97.5%, 특이도 94.2%)였으며, RF 모델에서 10-겹 교차 검증 평균 AUC는 0.945(민감도 88.9%, 특이도 85.5%)였습니다. 테스트 세트에 적용했을 때, MLR 모델의 AUC는 0.645(민감도 90%, 특이도 33.3%)였으며, RF 모델의 AUC는 0.817(민감도 90%, 특이도 41.7%)로 나타났습니다. MLR 및 RF 모델에서의 주요 방사선 유래 특징은 훈련 세트에서는 섬유증 등급과 상관관계를 보였고, 테스트세트에서는 간 CPA 및 섬유증 등급과 상관관계를 보였으며, 특히 RF 모델의 모든 변수가 섬유증 등급과 유의미한 상관관계를 보였습니다(모두 P ≤ 0.001). T2-가중 MRI의 방사선 유래 특징으로부터 개발된 RF 모델은 마우스 모델에서 간 섬유증을 진단하고 분류하는데 유용할 수 있을 것입니다.