Computational Decision Support for PE Diagnosis based on Ventilation Perfusion Ratio

Abstract

Aim The aim of this study is to investigate whether computer-aided, semi-automated 3D lung lobe quantification can support decision-making on PE diagnosis based on the ventilation-perfusion ratio in clinical practice.

Methods A study cohort of 100 patients (39 male, 61 female, age 64.8±15.8 years) underwent ventilation/perfusion single photon emission computed tomography (V/Q-SPECT/CT) to exclude acute PE on SPECT/CT OPTIMA NM/CT 640 (GE Healthcare). Two 3D lung lobe quantification software tools (Q. Lung: Xeleris 4.0, GE Healthcare and LLQ: Hermes Hybrid 3D Lung Lobar Quantification, Hermes Medical Solutions) were used to evaluate the numerical lobar ventilation/perfusion ratio (VQR) and lobar volume/perfusion ratio (VPR). A test of linearity and equivalence of the two 3D software tools was performed using Pearson, Spearman, quadratic weighted kappa and the mean squared deviation for VPR/VQR. An algorithm was developed that identified PE candidates using ROC analysis. The agreement between the PE findings of an experienced nuclear medicine expert and the calculated PE candidates was represented by the magnitude of the YOUDEN index (J) and the size of the area under the receiver operating curve (AUC).

Results Both 3D software tools showed good comparability. The YOUDEN index for QLUNG(VPR/VQR)/LLQ(VPR/VQR) was in the range from 0.2 to 0.5. The mean AUC averaged over all lung lobes for QLUNG(VPR) was 0.66, CI95%: ±14.0%, for QLUNG(VQR) 0.66, CI95%: ±13.3%, for LLQ(VPR) 0.64, CI95%: ±14.7% and for LLQ(VQR) 0.65, CI95%: ±13.1%.

Conclusion This study reveals that 3D software tools are feasible for numerical PE detection. The clinical decision can be supported by using a numerical algorithm based on ROC analysis.

Zusammenfassung

Ziel Ziel dieser Studie ist es zu untersuchen, ob die computergestützte, halbautomatische 3D-Lungenlappenquantifizierung die Entscheidungsfindung bei der PE-Diagnose auf der Grundlage des Ventilations-Perfusions-Verhältnisses in der klinischen Praxis unterstützen kann.

Methoden Eine Studienkohorte von 100 Patienten (39 männlich, 61 weiblich, Alter 64,8±15,8 Jahre) unterzog sich einer Ventilations-/Perfusions-Einzelphotonen-Emissions-Computertomografie (V/Q-SPECT/CT) zum Ausschluss einer akuten PE auf einer SPECT/CT OPTIMA NM/CT 640 (GE Healthcare). Zwei 3D-Lungenlappen-Quantifizierungssoftware-Tools (Q. Lung: Xeleris 4.0, GE Healthcare und LLQ: Hermes Hybrid 3D Lung Lobar Quantification, Hermes Medical Solutions) wurden zur Auswertung des numerischen Verhältnisses zwischen Ventilation und Perfusion (VQR) und zwischen Volumen und Perfusion (VPR) aller 5 Lungenlappen verwendet. Eine Prüfung der Linearität und Äquivalenz der beiden 3D-Software-Tools wurde mit Pearson, Spearman, quadratisch gewichtetem Kohen’s Kappa und der mittleren quadratischen Abweichung für die VPR/VQR-Methoden durchgeführt. Es wurde ein Algorithmus entwickelt, der mithilfe der ROC-Analyse PE-Kandidaten identifizierte. Die Übereinstimmung zwischen den PE-Befunden eines erfahrenen Nuklearmediziners und den berechneten PE-Kandidaten wurde durch die Größe des YOUDEN-Index (J) und die Größe der Fläche unter der ROC-Kurve (AUC) dargestellt.

Ergebnisse Es zeigte sich eine gute Vergleichbarkeit für beide 3D-Software-Tools. Der YOUDEN-Index für QLUNG (VPR/VQR)/LLQ (VPR/VQR) lag in einem Bereich von 0,2–0,5. Die über alle Lungenlappen gemittelte AUC für QLUNG (VPR) betrug 0,66 (95%-KI ±14,0%), für QLUNG (VQR) 0,66 (95%-KI ±13,3%), für LLQ (VPR) 0,64 (95%-KI ±14,7%) und für LLQ (VQR) 0,65 (95%-KI ±13,1%).

Schlussfolgerung Diese Studie zeigt, dass 3D-Software-Tools für die numerische PE-Erkennung geeignet sind. Die klinische Entscheidung kann durch die Verwendung eines numerischen Algorithmus auf der Grundlage einer ROC-Analyse unterstützt werden.

Keywords

SPECT/CT - Pulmonary Embolism - ROC Analysis - Hybrid Imaging - Ventilation/Perfusion Ratio - 3D Lung Lobe Quantification

Publication History

Received: 13 November 2023

Accepted after revision: 13 March 2024

Article published online:
09 April 2024

• References

• 1 Bajc M, Schümichen C, Grüning T. et al. EANM guideline for ventilation/perfusion single-photon emission computed tomography (SPECT) for diagnosis of pulmonary embolism and beyond. Eur J Nucl Med Mol Imaging 2019; 46 (12) 2429-2451 DOI: 10.1007/s00259-019-04450-0. (PMID: 31410539)
• 2 Schümichen C, Schmidt M, Krause T. DGN-Handlungsempfehlung (S1-Leitlinie) Lungenszintigraphie Stand 11/2017 -AWMF – Registernummer 031–005. Deutsche Gesellschaft für Nuklearmedizin e.V.; 2017(2567–6407).
• 3 Oczenski W. 2.13 Ventilations-/Perfusionsverhältnis. Atmen – Atemhilfen. Georg Thieme Verlag 2008; DOI: 10.1055/b-0034-22851.
• 4 Arnold JE, Wilson BC. Computer processing of perfusion, ventilation, and V/Q images to highlight pulmonary embolism. European Journal of Nuclear Medicine 1981; 6: 309-315 DOI: 10.1007/BF00262525. (PMID: 6454578)
• 5 Schaefer WM, Knollmann D, Avondo J. et al. Volume/perfusion ratio from lung SPECT/CT. Nuklearmedizin 2018; 57 (01) 31-34 DOI: 10.3413/Nukmed-0928-17-09.
• 6 Genseke P, Wetz C, Wallbaum T. et al. Pre-operative quantification of pulmonary function using hybrid-SPECT/low-dose-CT: A pilot study. Lung Cancer 2018; 118: 155-160 DOI: 10.1016/j.lungcan.2018.02.010. (PMID: 29571995)
• 7 Knollmann D, Genseke P, Schaefer WM. Update preinterventional lung quantification. Der Nuklearmediziner 2017; 40 (01) 79-85 DOI: 10.1055/s-0042-123630.
• 8 Kurth J, Uhländer J, Aladwan H. et al. Semi-automated Analysis of Ventilation-Perfusion Single-Photon Emission Tomography in the Diagnosis of Pulmonary Embolism – Does it add extra value?. Nuklearmedizin 2020; 59 (06) 445-453 DOI: 10.1055/a-1253-7951.
• 9 Vogt JK, Heinzel A, Mottaghy FM. Interrater Variability in Clinical Studies – A study on Pulmonary Artery Embolism (PE) Diagnosis with V/P-SPECT/CT. Nuklearmedizin 2021; 60 (02) 174 DOI: 10.1055/s-0041-1726831.
• 10 Vogt JK, Heinzel A, Sensen M. et al. Computer-aided diagnosis of pulmonary artery embolisms and other lung lesions using SPECT/CT and 3D software tools for perfusion and ventilation scintigraphy. Conference: NuklearMedizin 2020; 59 (02) 139 DOI: 10.1055/s-0040-1708277.
• 11 Knollmann D, Avondo J, Meyer A. et al. CT-based 3D quantification of relative pulmonary lobe perfusion from SPECT in preoperative lung cancer patients: Comparing a manual and a semi-automatic approach. Journal of Nuclear Medicine 2016; 57 (Suppl. 02) 1731
• 12 Knollmann D, Meyer A, Noack F. et al. Preoperative assessment of relative pulmonary lobar perfusion fraction in lung cancer patients. Nuklearmedizin 2015; 54 (04) 178-182 DOI: 10.3413/Nukmed-0729-15-03. (PMID: 26073625)
• 13 European Parliament CotEU. Regulation (EU) 2017/746 of the European Parliament and of the Council of 5 April 2017 on in vitro diagnostic medical devices and repealing Directive 98/79/EC and Commission Decision 2010/227/EU (Text with EEA relevance.). Updated 5.5.2017. http://data.europa.eu/eli/reg/2017/746/oj
• 14 2024 GE HealthCare. Xeleris V. https://www.gehealthcare.de/products/molecular-imaging/xeleris-v
• 15 2024 Hermes Medical Solutions. Hermia Lobar Quantification. https://www.hermesmedical.com/our-software/pneumology
• 16 Youden WJ. Index for rating diagnostic tests. Cancer 1950; 3 (01) 32-35 DOI: 10.1002/1097-0142(1950)3:1. (PMID: 15405679)
• 17 Fluss R, Faraggi D, Reiser B. Estimation of the Youden Index and its associated cutoff point. Biom. Journal 2005; 47 (04) 458-472 DOI: 10.1002/bimj.200410135. (PMID: 16161804)
• 18 Hosmer Jr DW, Lemeshow S, Sturdivant RX. Applied Logistic Regression. 3rd Edition. Hoboken NJ: John Wiley & Sons; 2013. DOI: 10.1002/9781118548387
• 19 Hemmerich W. StatistikGuru: Cohen’s Kappa für zwei Rater berechnen. 2019 https://statistikguru.de/rechner/cohens-kappa-zwei-rater-berechnen.html
• 20 Unal I. Defining an Optimal Cut-Point Value in ROC Analysis: An Alternative Approach. Comput Math Methods Med 2017; 3762651 DOI: 10.1155/2017/3762651.
• 21 De Hond AAH, Steyerberg EW, van Calster B. Interpreting area under the receiver operating characteristic curve. The Lancet Digital Health 2022; DOI: 10.1016/S2589-7500(22)00188-1.
• 22 Castelyn G, Laranjo L, Schreier G. et al. Predictive performance and impact of algorithms in remote monitoring of chronic conditions: A systematic review and meta-analysis. Int J Med Inform 2021; 156: 104620 DOI: 10.1016/j.ijmedinf.2021.104620. (PMID: 34700194)