Purpose To investigate the feasibility of deep learning radiomics (DLR) based on multimodal ultrasound to differentiate the primary cancer sites of metastatic cervical lymphadenopathy (CLA).

Materials and Methods This study analyzed 280 biopsy-confirmed metastatic CLAs from 280 cancer patients, including 54 from head and neck squamous cell carcinoma (HNSCC), 58 from thyroid cancer (TC), 92 from lung cancer (LC), and 76 from gastrointestinal cancer (GIC). Before biopsy, patients underwent conventional ultrasound (CUS), ultrasound elastography (UE), and contrast-enhanced ultrasound (CEUS). Based on CUS, DLR models using CUS, CUS+UE, CUS+CEUS, and CUS+UE+CEUS data were developed and compared. The best model was integrated with key clinical indicators selected by univariate analysis to achieve the best classification performance.

Results All DLR models achieved similar performance with respect to classifying four primary tumor sites of metastatic CLA (AUC:0.708~0.755). After integrating key clinical indicators (age, sex, and neck level), the US+UE+CEUS+clinical model yielded the best performance with an overall AUC of 0.822 in the validation cohort, but there was no significance compared with the basal CUS+clinical model (P>0.05), both of which identified metastasis from HNSCC, TC, LC, and GIC with 0.869 and 0.911, 0.838 and 0.916, 0.750 and 0.610, and 0.829 and 0.769, respectively.

Conclusion The ultrasound-based DLR model can be used to classify the primary cancer sites of metastatic CLA, and the CUS combined with clinical indicators is adequate to provide a high discriminatory performance. The addition of the combination of UE and CEUS data is expected to further improve performance.

Ziel Untersuchung der Machbarkeit von Deep-Learning-Radiomics (DLR), basierend auf multimodalem Ultraschall zur Differenzierung primärer Krebsherde bei metastasierter zervikaler Lymphadenopathie (CLA).

Material und Methoden In dieser Studie wurden 280 durch Biopsie bestätigte metastatische CLAs von 280 Krebspatienten analysiert, darunter 54 mit Plattenepithel-Karzinomen im Kopf-Hals-Bereich (HNSCC), 58 mit Schilddrüsenkrebs (TC), 92 mit Lungenkrebs (LC) und 76 mit Magen-Darm-Krebs (GIC). Vor der Biopsie wurden die Patienten einer konventionellen Ultraschalluntersuchung (CUS), einer Ultraschall-Elastografie (UE) und einer kontrastmittelverstärkten Ultraschalluntersuchung (CEUS) unterzogen. Basierend auf der CUS wurden DLR-Modelle unter Verwendung von Daten aus CUS, CUS + UE, CUS + CEUS und CUS + UE + CEUS entwickelt und verglichen. Das beste Modell wurde mit wichtigen klinischen, durch eine univariate Analyse ausgewählten Indikatoren kombiniert, um die beste Klassifizierungsleistung zu erzielen.

Ergebnisse Alle DLR-Modelle erreichten eine ähnliche Leistung bei der Klassifizierung von 4 Primärtumorstellen der metastasierten CLA (AUC: 0,708–0,755). Nach Integration wichtiger klinischer Indikatoren (Alter, Geschlecht und Halshöhe) erzielte das „US + UE + CEUS + klinische“ Modell die beste Leistung mit einer Gesamt-AUC von 0,822 in der Validierungskohorte. Im Vergleich zum basalen CUS + klinischen Modell war der Unterschied jedoch nicht signifikant (P>0,05). Bei beiden Modellen betrug die Leistung für die Identifikation von Metastasen bei HNSCC jeweils 0,869 bzw. 0,911; bei TC 0,838 und 0,916; bei LC 0,750 und 0,610 und bei GIC 0,829 und 0,769.

Schlussfolgerung Das ultraschallbasierte DLR-Modell kann zur Klassifizierung der primären Krebsherde der metastasierten CLA verwendet werden, und CUS in Kombination mit klinischen Indikatoren ist ausreichend, um eine hohe Trennschärfe zu erzielen. Man darf erwarten, dass mit der Kombination von UE- und CEUS-Daten die Leistung weiter verbessert wird.

Received: 23 May 2023

Accepted after revision: 15 August 2023

Article published online:
05 December 2023

© 2023. Thieme. All rights reserved.

Georg Thieme Verlag KG
Rüdigerstraße 14, 70469 Stuttgart, Germany