Uso de modelos de aprendizaje automático de análisis de textura por MRI para evaluar la fibrosis intersticial del injerto y la atrofia tubular en pacientes con riñones trasplantados
Autores: Trojani, Valeria; Monelli, Filippo; Besutti, Giulia; Bertolini, Marco; Verzellesi, Laura; Sghedoni, Roberto; Iori, Mauro; Ligabue, Guido; Pattacini, Pierpaolo; Giorgi Rossi, Paolo; Ottone, Marta; Piccinini, Alessia; Alfano, Gaetano; Donati, Gabriele; Fontana, Francesco
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Uso de modelos de aprendizaje automático de análisis de textura por MRI para evaluar la fibrosis intersticial del injerto y la atrofia tubular en pacientes con riñones trasplantados
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Fibrosis
Atrofia tubular
Lesión crónica del injerto renal
Algoritmo de aprendizaje automático basado en radiómica de MRI
Biopsia renal
AUC
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
Objetivo: La fibrosis intersticial/atrofia tubular (IFTA) es una forma común, irreversible y progresiva de lesión crónica del injerto renal, y se considera un predictor crítico de los resultados del injerto renal. La extensión de la IFTA se estima a través de una biopsia del injerto, mientras que falta una prueba no invasiva. El objetivo de este estudio fue evaluar la viabilidad y precisión de un algoritmo de aprendizaje automático (ML) basado en radiómica por MRI para estimar el grado de IFTA en una cohorte de pacientes trasplantados. Enfoque: Se incluyeron pacientes que se sometieron a MRI y biopsia renal dentro de un intervalo de 6 meses desde el 1 de enero de 2012 hasta el 1 de marzo de 2021. Se seleccionaron secuencias de MRI estables, y se segmentaron el parénquima renal, la corteza renal y la médula. Después del filtrado y preprocesamiento de imágenes, computamos características radiómicas que fueron seleccionadas posteriormente a través de un algoritmo LASSO por su mayor correlación con el resultado y la menor intercorrelación. Las características seleccionadas y los datos clínicos relevantes de los pacientes se utilizaron para producir algoritmos de ML utilizando el 70% de los casos del estudio para la selección de características, entrenamiento del modelo y validación con una validación cruzada de 10 pliegues, y el 30% para la prueba del modelo. Las actuaciones se evaluaron utilizando AUC con un intervalo de confianza del 95%. Resultados principales: Se incluyeron un total de 70 pruebas acopladas (63 pacientes, 35.4% mujeres, edad media 52.2 años) que se subdividieron en una cohorte más amplia de 50 para entrenamiento y una cohorte más pequeña de 20 para prueba. Para IFTA >= 25%, los AUC en la cohorte de prueba fueron 0.60, 0.59 y 0.54 para características radiómicas solamente, variables clínicas solamente y un modelo combinado radiómico-clínico, respectivamente. Para IFTA >= 50%, los AUC en la cohorte de entrenamiento fueron 0.89, 0.84 y 0.96, y en la cohorte de prueba, fueron 0.82, 0.83 y 0.86, para características radiómicas solamente, variables clínicas solamente y el modelo combinado radiómico-clínico, respectivamente. Significancia: Un algoritmo radiómico de MRI basado en ML mostró una capacidad de discriminación prometedora para IFTA > 50%, especialmente cuando se combina con variables clínicas. Estos resultados necesitan ser confirmados en cohortes más grandes.
Descripción
Objetivo: La fibrosis intersticial/atrofia tubular (IFTA) es una forma común, irreversible y progresiva de lesión crónica del injerto renal, y se considera un predictor crítico de los resultados del injerto renal. La extensión de la IFTA se estima a través de una biopsia del injerto, mientras que falta una prueba no invasiva. El objetivo de este estudio fue evaluar la viabilidad y precisión de un algoritmo de aprendizaje automático (ML) basado en radiómica por MRI para estimar el grado de IFTA en una cohorte de pacientes trasplantados. Enfoque: Se incluyeron pacientes que se sometieron a MRI y biopsia renal dentro de un intervalo de 6 meses desde el 1 de enero de 2012 hasta el 1 de marzo de 2021. Se seleccionaron secuencias de MRI estables, y se segmentaron el parénquima renal, la corteza renal y la médula. Después del filtrado y preprocesamiento de imágenes, computamos características radiómicas que fueron seleccionadas posteriormente a través de un algoritmo LASSO por su mayor correlación con el resultado y la menor intercorrelación. Las características seleccionadas y los datos clínicos relevantes de los pacientes se utilizaron para producir algoritmos de ML utilizando el 70% de los casos del estudio para la selección de características, entrenamiento del modelo y validación con una validación cruzada de 10 pliegues, y el 30% para la prueba del modelo. Las actuaciones se evaluaron utilizando AUC con un intervalo de confianza del 95%. Resultados principales: Se incluyeron un total de 70 pruebas acopladas (63 pacientes, 35.4% mujeres, edad media 52.2 años) que se subdividieron en una cohorte más amplia de 50 para entrenamiento y una cohorte más pequeña de 20 para prueba. Para IFTA >= 25%, los AUC en la cohorte de prueba fueron 0.60, 0.59 y 0.54 para características radiómicas solamente, variables clínicas solamente y un modelo combinado radiómico-clínico, respectivamente. Para IFTA >= 50%, los AUC en la cohorte de entrenamiento fueron 0.89, 0.84 y 0.96, y en la cohorte de prueba, fueron 0.82, 0.83 y 0.86, para características radiómicas solamente, variables clínicas solamente y el modelo combinado radiómico-clínico, respectivamente. Significancia: Un algoritmo radiómico de MRI basado en ML mostró una capacidad de discriminación prometedora para IFTA > 50%, especialmente cuando se combina con variables clínicas. Estos resultados necesitan ser confirmados en cohortes más grandes.