Background: The main challenge in the management of indeterminate incidentally discovered adrenal tumours is to differentiate benign from malignant lesions. In the absence of clear signs of invasion or metastases, imaging techniques do not always precisely define the nature of the mass. The present pilot study aimed to determine whether radiomics may predict malignancy in adrenocortical tumours.
Methods: CT images in unenhanced, arterial, and venous phases from 19 patients who had undergone resection of adrenocortical tumours and a cohort who had undergone surveillance for at least 5 years for incidentalomas were reviewed. A volume of interest was drawn for each lesion using dedicated software, and, for each phase, first-order (histogram) and second-order (grey-level colour matrix and run-length matrix) radiological features were extracted. Data were revised by an unsupervised machine learning approach using the K-means clustering technique.
Results: Of operated patients, nine had non-functional adenoma and 10 carcinoma. There were 11 patients in the surveillance group. Two first-order features in unenhanced CT and one in arterial CT, and 14 second-order parameters in unenhanced and venous CT and 10 second-order features in arterial CT, were able to differentiate adrenocortical carcinoma from adenoma (P < 0.050). After excluding two malignant outliers, the unsupervised machine learning approach correctly predicted malignancy in seven of eight adrenocortical carcinomas in all phases.
Conclusion: Radiomics with CT texture analysis was able to discriminate malignant from benign adrenocortical tumours, even by an unsupervised machine learning approach, in nearly all patients.
Antecedentes: El mayor reto en el tratamiento de los tumores adrenales “indeterminados” descubiertos incidentalmente es diferenciar entre lesiones benignas y malignas. En ausencia de claros signos de invasión o metástasis, las técnicas de imagen no siempre definen de forma precisa la naturaleza de la lesión. Este estudio piloto tuvo como objetivo determinar si ‘radiomics’ puede predecir la malignidad en los tumores adrenocorticales.
Métodos: Se revisaron imágenes de tomografía computarizada (computerized tomography, CT) sin contraste, en fase arterial y en fase venosa de pacientes sometidos a resección de tumores adrenocorticales y de una cohorte que había recibido seguimiento durante al menos 5 años por ‘incidentalomas’, dibujando un volumen de interés para cada lesión con un software específico, para extraer de cada fase las características radiológicas de primer orden (histograma) y segundo orden (grey level colour matrix and run length matrix). Los datos fueron revisados mediante un aprendizaje automático no supervisado con la técnica de conglomerados de K medias.
Resultados: De los pacientes operados, 9 tenían un adenoma no funcionante y 10 un carcinoma. Hubo 11 pacientes en el grupo de seguimiento. En total, 2 características de primer orden en el CT sin contraste y 1 en el CT en fase arterial; 14 parámetros de segundo orden en CT sin contraste y en fase venosa y 10 características de segundo orden en CT en fase arterial fueron capaces de diferenciar carcinoma adrenocortical de adenoma (P < 0,050). Después de excluir dos casos malignos atípicos (outliers), el abordaje con aprendizaje automático no supervisado predijo correctamente la malignidad en el 87,5% de carcinomas adrenocorticales en todas las fases.
Conclusión: ‘Radiomics’ con análisis de texturas del CT fue capaz de discriminar tumores adrenocorticales malignos de benignos, incluso en un abordaje con aprendizaje automático no supervisado, en casi todos los pacientes.
© The Author(s) 2021. Published by Oxford University Press on behalf of BJS Society Ltd.