Análisis de la textura en TC sin contraste de carcinomas renales de células claras: Un estudio de aprendizaje automático basado en predecir el grado nuclear histopatológico.

Artículo original: Kocak B, Durmaz ES, Ates E, Kaya OK, Kilickesmez O. Unenhanced CT Texture Analysis of Clear Cell Renal Cell Carcinomas: A Machine Learning–Based Study for Predicting Histopathologic Nuclear Grade. Am J Roentgenol. 2019; 212:6.

DOI: https://doi.org/10.2214/AJR.18.20742

Sociedad: American Roetgen Ray Society  @arrs.org

Palabras clave: clear cell renal cell carcinoma, CT, machine learning, nuclear grade, radiomics.

Abreviaturas y acrónimos utilizados: TC (Tomografía Computarizada), RNA (Red Neuronal Artificial), SMOTE (técnica de sobremuestreo de minorías sintéticas).

Línea editorial del número: El número del mes de junio pone especial énfasis en la imagen genitourinaria, publicando 6 revisiones y 2 artículos originales pertenecientes a esta temática. Me han generado interés otros dos artículos, el primero:  “Calidad de imagen de los mapas de yodo para la embolia pulmonar: una comparación entre la TC de sustracción y la TC de energía dual”; habla acerca de una patología muy frecuente pero, de dos técnicas que no se emplean en mi centro de trabajo. El segundo es: “Impacto de la redacción del informe de radiología sobre la atención de pacientes con apendagitis epiploica aguda”; trata también sobre una patología que vemos muy a menudo y hace hincapié en la relevancia de nuestro informe radiológico.

Motivo para la selección: La inteligencia artificial se ha abierto paso en la actualidad de la radiología moderna, ocupando a día de hoy gran parte de las publicaciones en revistas científicas. Además, este mes la revista se centra en la imagen genitourinaria, por todo ello, me resulta interesante leer acerca de este tema. El artículo gira en torno a un ámbito de la inteligencia artificial cómo es el machine learning, aplicándolo al análisis histopatológico nuclear de tumores renales de células claras.

Resumen:

El artículo trata de investigar acerca de la capacidad predictiva del aprendizaje automático, a través del análisis de textura en TC sin contraste, para distinguir histopatológicamente carcinomas de células claras renales (CCR) de alto y bajo grado nuclear. El grado nuclear histopatológico es un predictor de agresividad y pronóstico independiente; la clasificación más utilizada es la Fuhrman y consiste en  cuatro grados:  I y II son de bajo grado, con buen pronóstico y los III y IV son de alto grado, con mal pronóstico.

El análisis de textura es un método cuantitativo para medir patrones morfológicos repetitivos a  nivel de vóxel o píxel que están más allá de la percepción humana. Está siendo un área importante de interés dentro del campo de la radiómica y, actualmente, se sugiere que este método puede usarse para predecir la histopatología así como las características genómicas de las lesiones o tumores, para una mejor estratificación de riesgo. La clasificación nuclear se basa en la evaluación de la uniformidad o heterogeneidad de los tumores microscópicamente  y se cree que esto podría afectar a las características macroscópicas de los mismos.

Se trata de un estudio de tipo retrospectivo, en el cual se incluyeron 81 pacientes con carcinoma de células claras renales (56 de alto y 25 de bajo grado nuclear), de las base de datos pública: The Cancer Genome Atlas–Kidney Renal Clear Cell Carcinoma.

Tras un procesado informático previo de las imágenes, se procedió al análisis de las mismas, siguiendo el siguiente orden:

  • Segmentación manual 2D de TC sin contraste, por parte de un radiólogo adjunto y un residente de radiodiagnóstico, utilizando el software 3D Slicer. El área transversal más grande de los tumores fue seleccionada para la segmentación (Se emplearon TC con contraste y estudios de resonancia magnética para determinar los límites del tumor en los casos dudosos).
  • Extracción de 744 características de textura.
  • Reducción de dimensión, en tres pasos consecutivos: análisis de reproducibilidad por dos radiólogos (quedando 653 características de textura válidas), análisis de colinealidad (47 características) y selección de características ( 5 para la Red Neuronal Artificial (RNA) y 6 para el modelo de regresión logística binaria (RLB), siendo la matriz de concurrencia del nivel de gris la característica de clase dominante).
  • Los modelos fueron creados utilizando una RNA y una RLB, con y sin técnica de sobremuestreo de minorías sintéticas (SMOTE).

Los pasos de reducción de dimensión dieron como resultado cinco características de textura para la RNA y seis para el algoritmo de regresión logística. Cabe destacar que ninguna de las variables clínicas (edad, diámetro máximo del tumor…) fueron seleccionadas.

La RNA sola o con SMOTE clasificó correctamente 81.5% y 70.5%, respectivamente, de los CCR. El algoritmo de regresión logística solo o con SMOTE clasificó correctamente el 75,3% y el 62,5%, respectivamente.

La conclusión evidente que se extrae de todo este análisis es que la RNA funcionó mejor que la regresión logística (p <0.05). Esta situación pone de manifiesto el hecho de que, el análisis de la textura de TC sin contraste basado en aprendizaje automático usando RNA puede ser un prometedor método no invasivo para predecir el grado nuclear de los CCR. Por el contrario, no se observaron diferencias estadísticamente significativas entre los rendimientos del modelo creado con y sin SMOTE.

Valoración personal:

Me parece un artículo realmente interesante por lo novedoso de la temática. Requiere, al menos por mi parte, de un nivel de concentración extra respecto a la mayoría del resto de artículos ya que, inevitablemente, maneja una serie de conceptos a los que no estamos habituados en nuestra práctica clínica diaria. Creo que este tipo de trabajos nos pueden servir de cara a familiarizarnos con el mundo de la inteligencia artificial. Quizás por comentar algún aspecto que, incluso los propios autores ven como una limitación para este trabajo, puedo decir que hubiera sido muy interesante conseguir protocolos de imagen más uniformes, así como emplear las últimas estructuras de redes neuronales para este estudio.

Pablo Sanz Bellón

Hospital Universitario Marqués de Valdecilla (HUMV), R2.

pablosb22@gmail.com.

 

Tagged with: , , , , ,
Publicado en Revistas

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s

ISSN 2341-0167

Ediciones

Introduce tu dirección de correo electrónico para seguir este Blog y recibir las notificaciones de las nuevas publicaciones en tu buzón de correo electrónico.

Error: Twitter no responde. Por favor, espera unos minutos y actualiza esta página.

A %d blogueros les gusta esto: