Artículo original: Park S et al. CT Radiomics-Based Preoperative Survival Prediction in Patients With Pancreatic Ductal Adenocarcinoma. Am J Roentgenol. 2021 Nov;217(5):1104-1112.
DOI: https://doi.org/10.2214/ajr.20.23490
Sociedad: American Roetgen Society (ARRS).
Palabras clave: CT, PDAC, radiomics, survival prediction.
Abreviaturas y acrónimos utilizados: ADC (adenocarcinoma), CA 19-9, n (tamaño muestral), (antígeno carbohidrato 19-9) y TC (tomografía computarizada).
Línea editorial del número: El número de noviembre de la American Journal of Roentgenology incluye varios artículos interesantes de los cuales me gustaría destacar uno sobre una propuesta sobre cómo se debe manejar y cuales son los resultados de la presencia de procesos inflamatorio/infecciosos en el screening de cáncer pulmonar, otro más educativo sobre 5 tipos de lesiones que nos solemos pasar por alto en la evaluación de la rodilla por RM y otro que complementa al resumido aquí sobre el estudio del análisis de textura mediante distintos programas para la evaluación del cáncer renal.
Motivo de selección: El uso de la radiómica para ir sacando más información de las imágenes con las que trabajamos es algo que cada vez se utiliza más. Poder entender en qué consiste exactamente este tipo de nueva herramienta, así como ver las diferentes formas de trabajar con ella y ver hasta qué punto pueden tener utilidad en nuestra práctica diaria es algo que es cada vez más necesario.
Resumen:
La TC es la modalidad de imagen más utilizada para el diagnóstico, estadificación y seguimiento de los pacientes con ADC de páncreas. ¿Puede la radiómica ayudarnos a extraer características que no podemos ver a simple vista y poder predecir con ellas de una forma más fidedigna la supervivencia de los pacientes?
Este estudio retrospectivo buscaba dar respuesta a esta pregunta, con un tamaño muestral de 153 pacientes de un mismo centro,los cuales se sometieron a TC multifásica de estadificación y a varias de control hasta su fallecimiento o supervivencia en el rango de tiempo estudiado (entre los años 2011 – 2017).
Se realizó una volumetría de los tumores pancreáticos de forma manual por parte de los radiólogos, obteniendo a partir de ella un total de 489 características radiómicas – 478 del tumor y 11 del parénquima pancreático sano restante. Para poder determinar qué variables predecían mejor la supervivencia de los pacientes se utilizaron técnicas estadísticas como la minimun-redundancy máximum-relevancy, para así elegir las variables más relevantes y crear un modelo mediante aprendizaje de máquinas más eficiente. También se obtuvieron parámetros clínicos como la edad, el tamaño tumoral, los niveles de CA 19-9 y la localización tumoral (este último tanto de forma categórica como cuantitativa).
Se obtuvo el conjunto de características radiómicas – un total de 10 – más relevantes de las diferentes características de la imagen.
Mediante estas 10 características radiómicas elegidas se creó un modelo para distinguir entre pacientes de alto riesgo y de bajo riesgo – conjunto de entrenamiento, n = 45, y de validación, n = 45 – teniendo en cuenta que se consideraban pacientes de alto riesgo aquellos con una supervivencia menor a 1 año y de bajo riesgo aquellos cuya supervivencia excedía los 3 años. El modelo tuvo una precisión general de 82.2%, de 86.4% para el grupo de alto riesgo y de 78.3% para el grupo de bajo riesgo. De estas variables elegidas también se obtuvieron las medianas, y se estudiaron las curvas de supervivencia teniendo en cuenta dichas variables de forma individual, mostrando diferentes curvas entre los grupos de valores por encima de la mediana y valores por debajo de la misma.
La precisión de la predicción de la supervivencia (utilizando el índice C para su cálculo) mediante el uso de características clínicas fue inferior, a la combinación de características de imagen y a la combinación de características por imagen más clínicas.
El modelo de aprendizaje de máquinas – utilizando características de radiómica y clínicas – tras pasar por el conjunto de datos de entrenamiento (n = 102) y el de validación (n = 51), creó una curva de supervivencia que presentaba una forma similar a la curva de supervivencia real, con el problema de ser incapaz de predecir adecuadamente los casos extremos – los que tenían una supervivencia muy larga o corta.
Valoración personal:
- Ventajas: Otro estudio sobre el uso de radiómica, en este caso para predecir la supervivencia de los pacientes con ADC basándose en características radiómicas y clínicas. Otro enfoque similar, pero con una metodología diferente y utilizando diferentes estadísticos para poder seleccionar las variables óptimas en el contexto de supervivencia de los pacientes.
- Desventajas: El problema habitual de estos estudios es la poca transparencia que suele haber con el conjunto de los datos y los resultados de los análisis en sí – que se podrían subir anonimizados de forma electrónica. Como problemas con el diseño están el que es un estudio retrospectivo, que los datos fueron obtenidos en un solo centro y mediante sólo dos máquinas diferentes y la realización de la segmentación tumoral a la cual no tenemos acceso (y que no podemos evaluar lo sesgada o no que pueda estar).
Nader Salhab Ibáñez
Hospital Clínic Universitari de València, València, R3
cbseram.com 
Deja una respuesta