Automated radiomics-based classification of laryngeal lesion using multi scale spatial texture descriptors RADISTAT

Early detection of laryngeal cancer is critical for improving patient outcomes, yet current diagnostic methods rely heavily on subjective visual assessment of endoscopic images. This work presents RADISTAT (Radiomics-Based Spatial Texture Descriptor), an automated system combining Narrow Band Imaging (NBI) endoscopy with multi-scale radiomic analysis to classify laryngeal lesions as benign or malignant. The proposed method extracts global intensity features (mean, standard deviation) and novel RADISTAT spatial texture descriptors, which quantify heterogeneity by analysing adjacency patterns between low, medium, and high-intensity tissue compartments. Evaluated on a dataset of 11144 NBI images, the system achieved 82.48% accuracy and an AUC of 0.879 using a Random Forest classifier, with high specificity (87.3%) for benign lesions. Key findings include: Malignant lesions exhibit significantly higher spatial heterogeneity (*p* < 0.001), captured by RADISTAT’s adjacency metrics (e.g., low-high intensity transitions). Multi-scale analysis (8×8 to 32×32 patches) revealed robustness to scale variations. Feature importance analysis confirmed RADISTAT descriptors as primary discriminators, aligning with clinical knowledge of tumour vascular disorganization. The system’s interpretability and computational efficiency make it suitable for real-time clinical decision support, potentially reducing unnecessary biopsies while improving early malignancy detection. Future work will focus on larger validation cohorts and integration with deep learning for enhanced sensitivity.

La diagnosi precoce del cancro laringeo è fondamentale per migliorare la prognosi dei pazienti, tuttavia gli attuali metodi diagnostici si basano in larga misura sulla valutazione visiva soggettiva delle immagini endoscopiche. Questo lavoro presenta RADISTAT (Radiomics-Based Spatial Texture Descriptor), un sistema automatizzato che combina l'endoscopia Narrow Band Imaging (NBI) con l'analisi radiomica multiscala per classificare le lesioni laringee come benigne o maligne. Il metodo proposto estrae le caratteristiche di intensità globale (media, deviazione standard) e nuovi descrittori di texture spaziale RADISTAT, che quantificano l'eterogeneità analizzando i pattern di adiacenza tra compartimenti tissutali a bassa, media e alta intensità. Valutato su un dataset di 11144 immagini NBI, il sistema ha raggiunto un'accuratezza dell'82,48% e un'AUC di 0,879 utilizzando un classificatore Random Forest, con un'elevata specificità (87,3%) per le lesioni benigne. I risultati principali includono: Le lesioni maligne presentano un'eterogeneità spaziale significativamente maggiore (*p* < 0,001), rilevata dalle metriche di adiacenza di RADISTAT (ad esempio, transizioni da bassa ad alta intensità). L'analisi multiscala (da 8x8 a 32x32 patch) ha rivelato robustezza alle variazioni di scala. L'analisi dell'importanza delle caratteristiche ha confermato i descrittori RADISTAT come discriminatori primari, in linea con la conoscenza clinica della disorganizzazione vascolare tumorale. L'interpretabilità e l'efficienza computazionale del sistema lo rendono adatto al supporto decisionale clinico in tempo reale, riducendo potenzialmente le biopsie non necessarie e migliorando al contempo la diagnosi precoce di neoplasie. I lavori futuri si concentreranno su coorti di validazione più ampie e sull'integrazione con il deep learning per una maggiore sensibilità.