Establishment of a Multimodal Prognostic Prediction Model for Multiple Myeloma Patients Based on Radiomics and Clinical Features: A Retrospective Cohort Study

Objective: We aimed to develop a survival prediction system integrating radiomics and clinical features for newly diagnosed multiple myeloma (MM) and to compare the performance of different feature sets and algorithms in the early prediction of progression-free survival (PFS).
Materials and Methods: This study retrospectively included 300 MM patients between June 2022 and June 2024, with their baseline positron emission tomography, computed tomography, and magnetic resonance imaging radiomics features and clinical variables collected. Following construction of a radiomics-based risk score (Rad-score), seven machine learning-based survival models were established using the clinical feature set, the image feature set, and the integrated feature set.
Results: The fusion feature set-based gradient boosting model (GBM) showed numerically favorable overall performance in predicting 12-month PFS, suggesting that the integration of radiomics and clinical variables may provide complementary predictive information for early risk stratification. The model effectively distinguished high-, intermediate-, and low-risk patients (log-rank p<0.001), and calibration curve analysis and decision curve analysis revealed favorable calibration and high clinical net benefits. Shapley additive explanations analysis showed that the Rad-score was one of the most important features in the model, indicating that radiomics information may contribute prognostic value within the integrated feature space. β2-microglobulin, age, lactate dehydrogenase, blood calcium, platelet count, and hemoglobin were also identified as key contributing features.
Conclusion: The integration of radiomics and clinical variables may improve early PFS prediction in MM patients. The GBM using fused features showed relatively good discriminative ability, potential clinical applicability, and favorable interpretability.

Keywords: Machine learning, Multiple myeloma, Prediction, Progression-free survival, Radiomics

Radyomik ve Klinik Özelliklere Dayalı Multimodal Prognostik Tahmin Modelinin Multipl Miyelom Hastalarında Geliştirilmesi: Retrospektif Bir Kohort Çalışması

Amaç: Bu çalışmada, yeni tanı almış multipl miyelom (MM) hastalarında radyomik ve klinik özellikleri bütünleştiren bir sağkalım tahmin sistemi geliştirilmesi ve progresyonsuz sağkalımın (PFS) erken tahmininde farklı özellik setleri ile algoritmaların performanslarının karşılaştırılması amaçlandı.
Gereç ve Yöntemler: Bu retrospektif çalışmaya Haziran 2022 ile Haziran 2024 tarihleri arasında 300 MM hastası dahil edildi. Hastaların başlangıç pozitron emisyon tomografisi, bilgisayarlı tomografi ve manyetik rezonans görüntüleme radyomik özellikleri ile klinik değişkenleri toplandı. Radyomik tabanlı bir risk skoru (Rad-skoru) oluşturulduktan sonra klinik özellik seti, görüntüleme özellik seti ve bütünleşik özellik seti kullanılarak makine öğrenmesine dayalı yedi sağkalım modeli geliştirildi.
Bulgular: Birleşik özellik setine dayalı gradyan artırma modeli (GBM), 12 aylık PFS’nin tahmininde sayısal olarak daha iyi bir genel performans gösterdi. Bu bulgu, radyomik ve klinik değişkenlerin bütünleştirilmesinin erken risk sınıflandırması açısından tamamlayıcı öngörü bilgileri sağlayabileceğini düşündürdü. Model; yüksek, orta ve düşük riskli hastaları etkili biçimde ayırt etti (log-rank p<0,001). Kalibrasyon eğrisi ve karar eğrisi analizleri, modelin uygun kalibrasyona ve yüksek klinik net faydaya sahip olduğunu gösterdi. Shapley katkı açıklamaları analizi, Rad-skorunun modeldeki en önemli özelliklerden biri olduğunu ortaya koyarak radyomik bilgilerin bütünleşik özellik alanında prognostik değer sağlayabileceğini gösterdi. β2-mikroglobulin, yaş, laktat dehidrogenaz, kan kalsiyum düzeyi, trombosit sayısı ve hemoglobin de modele önemli katkı sağlayan özellikler olarak belirlendi.
Sonuç: Radyomik ve klinik değişkenlerin bütünleştirilmesi, MM hastalarında erken PFS tahminini iyileştirebilir. Birleşik özellikleri kullanan GBM, görece iyi ayırt edici performans, potansiyel klinik uygulanabilirlik ve uygun yorumlanabilirlik gösterdi.

Anahtar Kelimeler: Makine öğrenmesi, Multipl miyelom, Tahmin, Progresyonsuz sağkalım, Radyomik