Skip to main content
main-content

28.07.2017 | Neuro | Ausgabe 1/2018

European Radiology 1/2018

MRI features can predict EGFR expression in lower grade gliomas: A voxel-based radiomic analysis

Zeitschrift:
European Radiology > Ausgabe 1/2018
Autoren:
Yiming Li, Xing Liu, Kaibin Xu, Zenghui Qian, Kai Wang, Xing Fan, Shaowu Li, Yinyan Wang, Tao Jiang
Wichtige Hinweise

Electronic supplementary material

The online version of this article (doi:10.​1007/​s00330-017-4964-z) contains supplementary material, which is available to authorized users.
Yiming Li and Xing Liu contributed equally to this work

Abstract

Objective

To identify the magnetic resonance imaging (MRI) features associated with epidermal growth factor (EGFR) expression level in lower grade gliomas using radiomic analysis.

Methods

270 lower grade glioma patients with known EGFR expression status were randomly assigned into training (n=200) and validation (n=70) sets, and were subjected to feature extraction. Using a logistic regression model, a signature of MRI features was identified to be predictive of the EGFR expression level in lower grade gliomas in the training set, and the accuracy of prediction was assessed in the validation set.

Results

A signature of 41 MRI features achieved accuracies of 82.5% (area under the curve [AUC] = 0.90) in the training set and 90.0% (AUC = 0.95) in the validation set. This radiomic signature consisted of 25 first-order statistics or related wavelet features (including range, standard deviation, uniformity, variance), one shape and size-based feature (spherical disproportion), and 15 textural features or related wavelet features (including sum variance, sum entropy, run percentage).

Conclusions

A radiomic signature allowing for the prediction of the EGFR expression level in patients with lower grade glioma was identified, suggesting that using tumour-derived radiological features for predicting genomic information is feasible.

Key Points

EGFR expression status is an important biomarker for gliomas.
EGFR in lower grade gliomas could be predicted using radiogenomic analysis.
A logistic regression model is an efficient approach for analysing radiomic features.

Bitte loggen Sie sich ein, um Zugang zu diesem Inhalt zu erhalten

★ PREMIUM-INHALT
e.Med Interdisziplinär

Mit e.Med Interdisziplinär erhalten Sie Zugang zu allen CME-Fortbildungen und Fachzeitschriften auf SpringerMedizin.de. Zusätzlich können Sie eine Zeitschrift Ihrer Wahl in gedruckter Form beziehen – ohne Aufpreis.

Weitere Produktempfehlungen anzeigen
Zusatzmaterial
Supplementary Table 1 (DOCX 15 kb)
330_2017_4964_MOESM1_ESM.docx
Literatur
Über diesen Artikel

Weitere Artikel der Ausgabe 1/2018

European Radiology 1/2018 Zur Ausgabe
  1. Sie können e.Med Radiologie 14 Tage kostenlos testen (keine Print-Zeitschrift enthalten). Der Test läuft automatisch und formlos aus. Es kann nur einmal getestet werden.

Neu im Fachgebiet Radiologie

Meistgelesene Bücher aus der Radiologie

2016 | Buch

Medizinische Fremdkörper in der Bildgebung

Thorax, Abdomen, Gefäße und Kinder

Dieses einzigartige Buch enthält ca. 1.600 hochwertige radiologische Abbildungen und Fotos iatrogen eingebrachter Fremdmaterialien im Röntgenbild und CT.

Herausgeber:
Dr. med. Daniela Kildal

2011 | Buch

Atlas Klinische Neuroradiologie des Gehirns

Radiologie lebt von Bildern! Der vorliegende Atlas trägt dieser Tatsache Rechnung. Sie finden zu jedem Krankheitsbild des Gehirns Referenzbilder zum Abgleichen mit eigenen Befunden.

Autoren:
Priv.-Doz. Dr. med. Jennifer Linn, Prof. Dr. med. Martin Wiesmann, Prof. Dr. med. Hartmut Brückmann

Mail Icon II Newsletter

Bestellen Sie unseren kostenlosen Newsletter Update Radiologie und bleiben Sie gut informiert – ganz bequem per eMail.

Bildnachweise