ETD

• computed tomography
• lung cancer
• nomogram
• radiomics
• solitary pulmonary nodule

Abstract

Objective
To develop and validate a clinical-radiomics nomogram for the preoperative prediction of malignancy in Small Pulmonary Nodules.

Background.
Lung cancer is the leading cause of cancer-related death worldwide, with an estimated 1.8 million deaths per year (18% of all cancer deaths) and an estimated 2.4 million new cases, ranking it the second most frequently diagnosed cancer. The high mortality of this tumour is mostly due to the high degree of malignancy and late diagnosis, as it often remains undiagnosed until the cancer is at an advanced stage. Thus, early diagnosis remains crucial for improving patients' survival rates. Cigarette smoking, associated with 85-90% of cases, is the primary risk factor, making heavy smokers a high-risk population, with smoking cessation being a crucial primary prevention measure.

Materials and Methods
In this retrospective study, we aimed at developing and validating a comprehensive nomogram combining CT-based radiomics with clinical features for the differentiation of benign and malignant small lung nodules.
We retrospectively collected the data of all the patients who met the inclusion criteria, who underwent surgical resection for a suspected malignant pulmonary nodule in the University Hospital of Pisa, from January 2017 to December 2024.
The inclusion criteria were: (I) patients with at least one pulmonary nodule detected by CT examination. (II) nodule size ≤ 35mm (III), Chest CT scan performed no more than a year before the resection and histological analysis of the lesion (IV), and availability of clinical and histological characterisation of the lesion. Exclusion criteria were: insufficient image quality and image thickness > 3mm.
Non-enhanced Chest CT images were acquired, and the regions of interest (ROIs) were segmented by manually outlining the nodule on the CT images. Based on the ROIs outlined on CT images, the radiomic features were extracted.

Results
A dataset comprising 200 patients with pulmonary nodules was used to train and validate two classification pipelines that included clinical and radiomics features to predict the malignancy of the nodules.
After an isotropic resampling to 0.6 mm3, a total of 1058 radiomic features were extracted, including original image features and those derived from multi-resolution analysis techniques.
The first pipeline, which replicated the methodology described by Jing et al., underperformed our expectations when compared to the model replicated, achieving an AUROC of 0.5732 with RAD-scores ranging from -436.5781 to 11.0405 on the test set. While the second pipeline, developed by us, achieved more promising results, fitting an eXtreme Gradient Boosting (XGBoost) classifier using 1000 bootstrap validation splits, as in Colligiani et al.

Conclusions
Using clinical and radiomics features shows potential for distinguishing malignant from benign pulmonary nodules. However, the limited performance and the gap with previously reported results underline the need for larger datasets, standardised methodologies, and external validation to improve robustness and clinical applicability.

Riassunto
Il tumore al polmone è la principale causa di morte per cancro a livello mondiale, con circa 1,8 milioni di decessi all'anno (il 18% di tutti i decessi per cancro) e circa 2,4 milioni di nuovi casi, risultando il secondo tumore più frequentemente diagnosticato. L'elevata mortalità di questo tumore è dovuta principalmente all'alto grado di malignità e alla diagnosi tardiva, poiché spesso rimane non diagnosticato fino a quando il cancro non è in uno stadio avanzato. Pertanto, la diagnosi precoce rimane fondamentale per migliorare i tassi di sopravvivenza dei pazienti. Il fumo di sigaretta, associato all'85-90% dei casi, è il principale fattore di rischio, rendendo i grandi fumatori una popolazione ad alto rischio, per cui la cessazione del fumo rappresenta una misura di prevenzione primaria cruciale.
L’obiettivo di questa tesi è sviluppare e validare un nomogramma clinico-radiomico per la predizione preoperatoria della malignità nei piccoli noduli polmonari.

Materiali e Metodi
In questo studio retrospettivo, ci siamo proposti di sviluppare e validare un nomogramma che sia in grado di integrare le caratteristiche cliniche alla radiomica con l’intento di predire l’eventuale malignità dei noduli polmonari di piccole dimensioni.
Per questo studio abbiamo raccolto retrospettivamente i dati di tutti i pazienti che sono stati sottoposti ad intervento di resezione atipica del polmone presso l’azienda ospedaliera universitaria pisana, nel periodo compreso tra gennaio 2017 e dicembre 2024.
I criteri di inclusione erano: (I) pazienti con almeno un nodulo polmonare rilevato mediante TC senza mezzo di contrasto . (II) dimensione del nodulo ≤ 35 mm (III), TC toracica eseguita non più di un anno prima della resezione e referto dell’analisi istologica della lesione (IV), disponibilità della storia clinica del paziente. I criteri di esclusione erano: Immagini TC non di sufficiente qualità e spessore dell'immagine > 3 mm.
Le regioni di interesse (ROI) sono state segmentate delineando manualmente il nodulo sulle immagini TC. Sulla base delle ROI delineate sono state estratte le caratteristiche radiomiche.

Risultati
Un dataset di 200 pazienti è stato utilizzato per sviluppare e validare due pipeline di classificazione che includevano caratteristiche cliniche e radiomiche per la differenziazione dei noduli maligni da quelli benigni.
Dopo un ricampionamento isotropico di 0,6 mm³, è stato estratto un totale di 1058 caratteristiche radiomiche, incluse le caratteristiche dell'immagine d’origine e quelle derivate da tecniche di analisi multirisoluzione.
La prima pipeline, che replicava la metodologia descritta da Jing et al., ha ottenuto risultati inferiori alle nostre aspettative rispetto al modello replicato, raggiungendo un AUROC di 0,5732 con punteggi RAD compresi tra -436,5781 e 11,0405 sul set di test. Mentre la seconda pipeline, sviluppata da noi, ha ottenuto risultati più promettenti, adattando un classificatore eXtreme Gradient Boosting (XGBoost) utilizzando 1000 suddivisioni di validazione bootstrap, come in Colligiani et al.

Conclusioni
L'utilizzo combinato di caratteristiche cliniche e radiomiche mostra un potenziale per distinguere i noduli polmonari maligni da quelli benigni. Tuttavia, le prestazioni limitate e la discrepanza con i risultati precedentemente riportati in letteratura sottolineano la necessità di set di dati più ampi, metodologie standardizzate e validazione esterna per migliorare la robustezza dei nomogrammi e l'applicabilità clinica.