Artículo original: Evrimler S, Ali Gedik M, Ahmet Serel T, Ertunc O, Alperen Ozturk S, Soyupek S. Bladder Urothelial Carcinoma: Machine Learning-based Computed Tomography Radiomics for Prediction of Histological Variant. Acad Radiol. 2022;29(11): 1682-1689.
DOI: https://doi.org/10.1016/j.acra.2022.02.007
Sociedad: Association of University Radiologists, the Society of Chairs of Academic Radiology , the Association of Program Directors in Radiology, the American Alliance of Academic Chief Residents in Radiology, the Alliance of Medical Student Educators in Radiology, the Radiology Research Alliance, the Radiology Alliance for Health Services Research, and the Medical Image Computing and Computer-Assisted Intervention Society.
Palabras clave: Inteligencia artificial · Aprendizaje de máquinas · Neoplasias uroteliales de vejiga · Tomografía computarizada.
Abreviaturas y acrónimos utilizados: AUC (área bajo la curva), TC (tomografía computarizada) y VH (variante histológica).
Línea editorial del número: El número de este mes de la revista Academic Radiology nos trae una serie de artículos de investigación interesantes, varios sobre el análisis de textura, por ejemplo uno para la predicción de invasión nodal en las pacientes con carcinoma de cérvix y otro para la predicción del pronóstico en pacientes con carcinoma de esófago. También destaca otro artículo que estudia el valor predictivo positivo de la mamografía con contraste, una técnica de reciente aplicación.
Motivo de selección: Teniendo en cuenta que el número de este mes se centraba mucho en los estudios orientados al análisis de texturas creo que es un artículo representativo al mismo y nos permite ver el potencial que tienen para el día a día, para el futuro próximo, así como los retos y limitaciones a los que nos estamos enfrentando.
Resumen
En los cánceres uroteliales de la vejiga se encuentran dos variantes histológicas principales; la más común es la de cáncer urotelial puro, pero hasta un 20 % pueden mostrar algún tipo de heterogeneidad en su composición y se clasifican como VH. Esta distinción es importante porque implica un pronóstico peor en pacientes con VH, por tanto, su detección precoz es vital para poder elegir el tratamiento más adecuado y así mejorar su supervivencia. Hoy en día la única forma de conocer si se trata de una variante pura o una VH es el estudio histológico, de ahí que se necesiten de otros métodos que también lo puedan detectar sin la necesidad de cirugía.
En este estudio se analizaron retrospectivamente una serie de imágenes de TC de pacientes que habían sido sometidos a cistectomía radical y tenían una imagen de TC previa tras la administración de contraste intravenoso. El número total de pacientes que reunían dichas características era de 37.
La segmentación se realizó de forma manual por parte de radiólogos con experiencia para luego extraer las características de textura de dichas segmentaciones. Posteriormente, estas características eran comparadas con el tipo histológico del tumor. Debido al escaso número de pacientes (n = 37) se decidió incrementar el mismo mediante la generación de datos sintéticos; duplicando el tamaño muestral hasta un total de 74. Después, se dividieron estas muestras en un grupo de entrenamiento (n = 52) y otro de prueba (n = 19).
Se realizaron una serie de técnicas estadísticas habitualmente utilizadas en este tipo de estudios para minimizar la colinealidad, el overfitting y poder hacer una selección de las variables que daban mejores resultados para llevar a cabo el análisis de texturas.
Se utilizaron algoritmos de aprendizaje de máquinas para comparar diferentes modelos (un total de 15) en su capacidad para predecir el subtipo histológico. Se eligieron los dos que daban mejores resultados y se comparó entre ellos la exactitud y el AUC sobre los datos de prueba. También se unieron estos dos modelos para crear un modelo único que llevase consigo lo mejor de ambos.
En estos pacientes no hubo diferencias en la mortalidad entre los subgrupos (puro y VH). Los mejores modelos de los algoritmos de aprendizaje de máquinas fueron por un lado el Gradient Boosting Classifier y el CatBoost Classifier. Además, la fusión de estos dos modelos en uno único dio los mejores resultados globales de AUC (0.93), exactitud (79 %), exhaustividad (86 %), precisión (67 %) y valores F1 (75 %).
Por tanto, ante la necesidad de poder diferenciar preoperatoriamente entre el cáncer urotelial puro y una VH para poder decidir el mejor tratamiento posible, especialmente en aquellos casos sin invasión de la capa muscular, donde el tratamiento puede ser diferente comparado con aquellos donde sí hay invasión de la capa muscular, el análisis de textura junto con el aprendizaje de máquinas puede ser una alternativa viable.
Valoración personal
- Ventajas: Estudio bien planteado, conciso y con la metodología habitual para la realización de estudios de análisis de texturas con uso de aprendizaje de máquinas. Queda bien explicado todo el proceso, qué técnicas estadísticas se utilizaron y por qué, así como una representación gráfica adecuada de algunos de los resultados obtenidos. Como ejemplo de este tipo de estudios, este artículo podría ser de gran utilidad para poder iniciarse uno mismo.
- Desventajas: Por un lado, el bajo tamaño muestral, por otro la naturaleza retrospectiva del estudio que puede influir en varios procesos (selección de casos, segmentación manual y, en este caso, ausencia de controles), casos de un único centro y una única máquina y que sólo se incluyeran aquellos casos sometidos a cistectomía radical, por motivo de asegurarse del subtipo histológico, pero que puede haber conducido inintencionadamente a sesgo de selección de algunos casos específicos.
Firma
Nader Salhab Ibáñez
Hospital Clínic Universitari de València, València, R4
cbseram.com 
Deja una respuesta