Artículo original: Liu, W., Chen, W., Xia, J. et al. Lymph node metastasis prediction and biological pathway associations underlying DCE-MRI deep learning radiomics in invasive breast cancer. BMC Med Imaging. 2024;24(91).
DOI: https://doi.org/10.1186/s12880-024-01255-y
Palabras clave: deep Learning, radiomics, breast MRI, lymph node metastases.
Abreviaturas y acrónimos utilizados: ARNm (ARN mensajero), DLR (deep learning radiomics), DLRn (deep learning radiomics nomograms), IA (inteligencia artificial), KEGG (Kyoto Encyclopedia of Genes and Genomes), TCGA (The Cancer Genome Atlas), WGCNA (Weighted gene co-expression network analysis).
Sociedad: BMC Medical Imaging.
Línea editorial: BMC Medical Imaging es una revista que publica artículos de investigación originales sobre el desarrollo, evaluación y uso de técnicas de imagen y herramientas de postprocesamiento de imágenes diagnósticas. Es propiedad de Springer Nature, editorial académica que combina la experiencia en publicaciones científicas y académicas de Springer con la reconocida revista científica Nature y sus publicaciones asociadas.
Motivos para la selección: Se trata de un artículo original de investigación acerca de la posible utilidad de herramientas de IA, como la radiómica y el deep learning, en la predicción de la afectación axilar mediante estudios de RM dinámica en pacientes con cáncer de mama infiltrante.
Se ha demostrado que los fenotipos agnósticos de DLR en RM son posibles marcadores alternativos para predecir la afectación metastásica axilar del cáncer de mama, pero la importancia biológica de los fenotipos DLR todavía no está del todo clara.
La inteligencia artificial puede ayudarnos a detectar e identificar patrones sutiles y mejorar la precisión del diagnóstico, facilitando en este caso los procesos terapéuticos posteriores como es manejo intraoperatorio de la axila, basándonos en el grado de sospecha de afectación de la misma. La aplicación de IA en imágenes de RM dinámica puede ser un método no invasivo y práctico para predecir de forma preoperatoria la afectación axilar, lo que permitiría evaluar opciones de tratamiento más personalizadas.
Resumen:
Las imágenes médicas pueden aportar información de dos formas diferentes:
- Fenotipo semántico: información visualizable por el ojo humano. Ejemplo: signo del vaso adyacente (descriptor para diferenciar lesiones mamarias malignas vs benignas en RM).
- Fenotipo agnóstico: información visualizable de forma matemática (ordenador). Los fenotipos agnósticos tienen dos formas de representar la cuantificación: Radiómica y deep learning.
- Radiómica: Extrae características cuantitativas y cualitativas de las imágenes para predecir resultados clínicos.
- Deep learning: Utiliza redes neuronales para aprender automáticamente características de las imágenes y realizar tareas específicas como detección de anomalías.
Métodos:
Los investigadores descargan dos cohortes de casos de carcinoma infiltrante de mama del Cancer Imaging Archive project.
- Cohorte de entrenamiento
- Cohorte de validación
Para evaluar las características biológicas y su correlación con la imagen, los datos de transcriptómica fueron obtenidos desde TCGA project, y los fenotipos de imagen fueron analizados en cuanto a la correlación molecular con el ARNm. Bajo la condición de que dos radiólogos hubieran categorizado de igual forma las imágenes de RM, se incluyen en el estudio 145 pacientes (88 en la cohorte de entrenamiento y 57 en la cohorte de validación).
Se realiza el análisis de datos mediante Python, utilizando PyRadiomics como extractor para los datos de radiómica y dos networks diferentes (GoogLeNetNet y ResNet50) para la extracción de datos para deep learning. GoogLeNet mostró una mayor sensibilidad para predecir la afectación axilar, por lo que fue seleccionado como network para realizar los análisis posteriores.
Para aumentar la comparabilidad se utiliza Z-score para normalizar los fenotipos de radiómica con los de deep learning.
Por último, el significado biológico de los módulos de genes fue analizado utilizando la base de datos KEGG.
Resultados:
En la cohorte de entrenamiento se utiliza WGCNA como sistema para describir patrones de asociación de genes con fenotipos concretos.
Se realizan divisiones de genes por módulos, siendo 60 el mínimo de genes por módulo. Por otro lado, mediante PyRadiomics y GoogLeNetNet se dividen los casos en alto y bajo riesgo. Posteriormente, se realiza una correlación de los diferentes módulos de genes con el nivel de riesgo predeterminado.
En la cohorte de entrenamiento se construyen 32 módulos de genes mediante WGCNA. De todos ellos, se identifican aquellos asociados con alto riesgo de afectación axilar: dos módulos en radiómica (PyRadiomics) y seis módulos en deep learning (GoogLeNetNet). Superponiendo los resultados de radiómica y deep learning, se identifican un total de 20 genes presentes en ambos grupos. Estos genes construyen un gen relacionado con el DLR (RadDeepGene), que también predice el riesgo de afectación axilar de forma estadísticamente significativa.
Destacan las vías de señalización de Hedgehog y FoxO, que se relacionaron con la firmas radiómicas tanto de PyRadiomics como de GoogLeNetNet en múltiples módulos de genes.
Las vías de señalización MAPK y del receptor NOD-like también mostraron correlación con la firma de radiómica de GoogLeNet.
Discusión:
En resumen, el fenotipo radiómica-deep learning en RM mamaria mejora la predicción de la afectación axilar. Además, se revelan vías biológicas asociadas con la afectación axilar como las vías MAPK y NOD-like. También se identifican 20 genes clave asociados con fenotipos DLR, y el RadDeepGene generado también muestra el mismo valor predictivo medio-alto. Los hallazgos de este estudio indican que la combinación de radiómica con deep learning mejora el valor predictivo de la afectación axilar preoperatoria en carcinoma infiltrante de mama.
Valoración personal: Se trata de un artículo denso y difícil de asimilar, ya que el léxico relacionado con la inteligencia artificial es complicado de comprender si no se está habituado a él. Además de la dificultad del léxico, el artículo en sí mismo también es complejo ya que aborda muchas variables con diferentes tipos de estudios. Los resultados que proporciona el estudio son prometedores e instigan a los jóvenes radiólogos a formarse en el ámbito de la IA.
Alejandra Estévez Eijo
R3 – Hospital Universitario Miguel Servet
cbseram.com 
Deja un comentario