Modelo de aprendizaje automático basado en radiómica para predecir la supervivencia general y libre de progresión en cánceres raros: un estudio de caso para pacientes con linfoma primario del sistema nervioso central
Autores: Destito, Michela; Marzullo, Aldo; Leone, Riccardo; Zaffino, Paolo; Steffanoni, Sara; Erbella, Federico; Calimeri, Francesco; Anzalone, Nicoletta; De Momi, Elena; Ferreri, Andrés J. M.; Calimeri, Teresa; Spadea, Maria Francesca
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Modelo de aprendizaje automático basado en radiómica para predecir la supervivencia general y libre de progresión en cánceres raros: un estudio de caso para pacientes con linfoma primario del sistema nervioso central
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Linfoma del sistema nervioso central
PCNSL
Características radiómicas
Quimioterapia
Aprendizaje automático
Resonancia magnética
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 33
Citaciones: Sin citaciones
El linfoma del sistema nervioso central primario (PCNSL) es un neoplasma agresivo con un mal pronóstico. Aunque los avances terapéuticos han mejorado significativamente la Supervivencia Global (OS), un número de pacientes no responde a la quimioterapia basada en HD-MTX (15-25%) o experimenta recaídas (25-50%) después de una respuesta inicial. Las razones subyacentes a esta mala respuesta a la terapia son desconocidas. Por lo tanto, hay una necesidad urgente de desarrollar modelos predictivos mejorados para el PCNSL. En este estudio, investigamos si las características de radiómica pueden mejorar la predicción del resultado en pacientes con PCNSL. Un total de 80 pacientes diagnosticados con PCNSL fueron inscritos. Un subgrupo de pacientes, con series completas de Imágenes por Resonancia Magnética (MRI), fueron seleccionados para el análisis de estratificación. Tras la extracción y selección de características de radiómica, se probaron diferentes modelos de Aprendizaje Automático (ML) para la predicción de la OS y la Supervivencia Libre de Progresión (PFS). Para evaluar la estabilidad de las características seleccionadas, se utilizaron imágenes de 23 pacientes escaneados en tres momentos diferentes para calcular el Coeficiente de Correlación Interclase (ICC) y evaluar la reproducibilidad de cada característica tanto para imágenes originales como normalizadas. Las características extraídas de imágenes normalizadas con puntaje Z fueron significativamente más estables que las extraídas de imágenes no normalizadas con una mejora de aproximadamente el 38% en promedio (-valor < ). El área bajo la curva ROC (AUC) mostró que la predicción basada en radiómica superó la predicción basada en los actuales factores pronósticos clínicos con una mejora del 23% para la OS y del 50% para la PFS, respectivamente. Estos resultados indican que las características de radiómica extraídas de imágenes de RM normalizadas pueden mejorar la estratificación del pronóstico de los pacientes con PCNSL y allanar el camino para estudios adicionales sobre su posible papel en la elección del tratamiento.
Descripción
El linfoma del sistema nervioso central primario (PCNSL) es un neoplasma agresivo con un mal pronóstico. Aunque los avances terapéuticos han mejorado significativamente la Supervivencia Global (OS), un número de pacientes no responde a la quimioterapia basada en HD-MTX (15-25%) o experimenta recaídas (25-50%) después de una respuesta inicial. Las razones subyacentes a esta mala respuesta a la terapia son desconocidas. Por lo tanto, hay una necesidad urgente de desarrollar modelos predictivos mejorados para el PCNSL. En este estudio, investigamos si las características de radiómica pueden mejorar la predicción del resultado en pacientes con PCNSL. Un total de 80 pacientes diagnosticados con PCNSL fueron inscritos. Un subgrupo de pacientes, con series completas de Imágenes por Resonancia Magnética (MRI), fueron seleccionados para el análisis de estratificación. Tras la extracción y selección de características de radiómica, se probaron diferentes modelos de Aprendizaje Automático (ML) para la predicción de la OS y la Supervivencia Libre de Progresión (PFS). Para evaluar la estabilidad de las características seleccionadas, se utilizaron imágenes de 23 pacientes escaneados en tres momentos diferentes para calcular el Coeficiente de Correlación Interclase (ICC) y evaluar la reproducibilidad de cada característica tanto para imágenes originales como normalizadas. Las características extraídas de imágenes normalizadas con puntaje Z fueron significativamente más estables que las extraídas de imágenes no normalizadas con una mejora de aproximadamente el 38% en promedio (-valor < ). El área bajo la curva ROC (AUC) mostró que la predicción basada en radiómica superó la predicción basada en los actuales factores pronósticos clínicos con una mejora del 23% para la OS y del 50% para la PFS, respectivamente. Estos resultados indican que las características de radiómica extraídas de imágenes de RM normalizadas pueden mejorar la estratificación del pronóstico de los pacientes con PCNSL y allanar el camino para estudios adicionales sobre su posible papel en la elección del tratamiento.