Radiomica en pacientes con adenocarcinoma y carcinoma escamoso en Tomografia computada de Pulmon con correlacion histopatológica

Eduardo Noguera; Candelaria Tisera Castanie; Santiago Orozco

doi:10.56969/oc.v29i1.165

Autores/as

Eduardo Noguera Hospital Privado Universitario de Cordoba
Candelaria Tisera Castanie Hospital Privado Universitario de Córdoba
Santiago Orozco Hospital Privado Universitario de Córdoba

DOI:

https://doi.org/10.56969/oc.v29i1.165

Palabras clave:

textura radiómica, cáncer de pulmón, Auto-WEKA, minería de datos, inteligencia artificial, tomografía computada de pulmón, radiomic texture, lung cancer, data mining, artificial intelligence, computed tomography of the lung

Resumen

Objetivo Investigar en la imagen tomografica del cáncer de pulmón la asociación entre las texturas radiómicas (TR) y los subtipos histopatológico (adenocarcinoma y carcinoma escamoso). Materiales y métodos: Estudio retrospectivo y observacional, realizado en 43 pacientes , 29 (67%) hombres y 14 (33%) mujeres ,entre 45 y 83 años ( mediana 63 ± 16años) con cáncer de pulmón. Usando el programa Slicer 5.3.0- Pyradiomic se extrajeron del volumen tumoral tomografico segmentado , 115 TR , para analisis estadístico y aprendizaje automatico con el programa WEKA donde las TR fueron ; (a) normalizadas, los estudios balancedos con SMOTE y divididos en entrenamiento y prueba, para ser clasificados con Autoweka configurado con el árbol DecisionStumps. Resultados; El diagnóstico histopatológico fue ; adenocarcinoma en 36/43 (84%) , carcinoma escamoso 7/43 (16%) . Treinta y tres tumores (78%) tenian biomarcadores de mutaciones genéticas, positivas en 18 (54%) y negativas en 15(45%). Once TR mostraron diferencias significativas en las medias entre el adenocarcinoma vs carcinoma escamoso. Analisis univariado mostró que TR , GLCMAutocorrelation con AUC del 82%, predicen la histopatologia del adenocarcinoma vs carcinoma escamosos , y con AutoWeka y el clasificador DecisionStumps , las TR , GLSZMGrayLevelNonUniformity , HightGrayLevelZoneEmphasis, LargeAreaHightGrayLevelEmphasis , lo hacen con una precision del 90% , sensibilidad de 100% vs 78% , con coeficiente de correlacion Mathews del 0.82 , y AUC mayor al 80%, para ambos grupos. Conclusiones: Radiomica es una herramienta prometedora para la predicción no invasiva de subtipos histológicos de cáncer de pulmón en la imagen tomografica de pulmón.

Citas

Hassani C, Varghese BA, Nieva J, Duddalwar V. Radiomics in pulmonary lesion imaging. AJR Am J Roentgenol 2019; 212:497-504. doi: 10.2214/AJR.18.20623. DOI: https://doi.org/10.2214/AJR.18.20623

Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology 2016; 278:563- 77. doi: 10.1148/radiol.2015151169. DOI: https://doi.org/10.1148/radiol.2015151169

ZhouH,JinY,DaiL,ZhangM,QiuY,WangK,TianJ, Zheng J. Differential diagnosis of benign and malignant thyroid nodules using deep learning radiomics of thyroid ultrasound images. Eur J Radiol 2020; 127:108992. doi: 10.1016/j.ejrad.2020.108992. DOI: https://doi.org/10.1016/j.ejrad.2020.108992

Manth N, Virmani J, Kumar V, Kalra N, Khandelwal N. (2016). Application of texture features for classification of primary benign and primary malignant focal liver lesions. Image Feature Detectors and Descriptors: Foundations and Applications, 2016, pp 385-409. DOI: https://doi.org/10.1007/978-3-319-28854-3_15

Gibbs P, Turnbull LW. Textural analysis of contrast∞ enhanced MR images of the breast. Magn Reson Med 2003; 50: 92-8. doi: 10.1002/mrm.10496. DOI: https://doi.org/10.1002/mrm.10496

Khorrami M, Khunger M, Zagouras A, et al. Combination of peri- and intratumoral radiomic features on baseline CT scans predicts response to chemotherapy in lung adenocarcinoma. Radiol Artif Intell 2019; 1:e180012. doi: 10.1148/ryai.2019180012. DOI: https://doi.org/10.1148/ryai.2019180012

van Griethuysen JJM, Fedorov A, et al. Computational radiomics system to decode the radiographic phenotype. Cancer Res 2017; 77:e104-e107. doi: 10.1158/0008-5472. CAN-17-033. DOI: https://doi.org/10.1158/0008-5472.CAN-17-0339

Ferreira Junior JR, Koenigkam-Santos M, Cipriano FEG, Fabro AT, Azevedo-Marques PM. Radiomics-based features for pattern recognition of lung cancer histopathology and metastases. Comput Methods Programs Biomed 2018; 159:23-30. doi: 10.1016/j.cmpb.2018.02.015.

Noguera E. (28 de mayo de 2023). Clasificación de la centellografía ósea corporal total con 99mTc-MDP en cáncer de próstata aplicando Inteligencia Artificial. Alasbimn Journal, ISSN: 0717 - 4055. En: http://www. alasbimnjournal.net/a/230; consultado febrero 2024.

Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters 2006; 27: 861-74. https://doi. org/10.1016/j.patrec.2005.10.010. DOI: https://doi.org/10.1016/j.patrec.2005.10.010

Koçak B, Durmaz EŞ, Ateş E, Kılıçkesmez Ö. Radiomics with artificial intelligence: a practical guide for beginners. Diagn Interv Radiol 2019; 25:485-95. doi: 10.5152/ dir.2019.19321. DOI: https://doi.org/10.5152/dir.2019.19321

Fedorov A, Beichel R, Kalpathy-Cramer J, et al. 3D Slicer as an image computing platform for the Quantitative Imaging Network. Magn Reson Imaging 2012; 30:1323-41. doi: 10.1016/j.mri.2012.05.001. DOI: https://doi.org/10.1016/j.mri.2012.05.001

Nioche C, Orlhac F, Boughdad S, et al. LIFEx: a freeware for radiomic feature calculation in multimodality imaging to accelerate advances in the characterization of tumor heterogeneity. Cancer Res 2018; 78:4786-9. doi: 10.1158/0008-5472.CAN-18-0125. DOI: https://doi.org/10.1158/0008-5472.CAN-18-0125

Beig N, Khorrami M, Alilou M, et al. Perinodular and intranodular radiomic features on lung CT images distinguish adenocarcinomas from granulomas. Radiology 2019; 290:783-92. doi: 10.1148/radiol.2018180910. DOI: https://doi.org/10.1148/radiol.2018180910

McCague C, Ramlee S, Reinius M, et al. Introduction to radiomics for a clinical audience. Clin Radiol 2023; 78:83- 98. doi: 10.1016/j.crad.2022.08.149. DOI: https://doi.org/10.1016/j.crad.2022.08.149

Orooji M, Alilou M, Rakshit S, et al. Combination of computer extracted shape and texture features enables discrimination of granulomas from adenocarcinoma on chest computed tomography. J Med Imaging (Bellingham) 2018; 5:024501. doi: 10.1117/1.JMI.5.2.024501. DOI: https://doi.org/10.1117/1.JMI.5.2.024501

Ferreira Junior JR, Koenigkam-Santos M, Cipriano FEG, Fabro AT, Azevedo-Marques PM. Radiomics-based features for pattern recognition of lung cancer histopathology and metastases. Comput Methods Programs Biomed 2018; 159:23-30. doi: 10.1016/j.cmpb.2018.02.015. DOI: https://doi.org/10.1016/j.cmpb.2018.02.015

Mao L, Chen H, Liang M, et al. Quantitative radiomic model for predicting malignancy of small solid pulmonary nodules detected by low-dose CT screening. Quant Imaging Med Surg 2019; 9:263-72. doi: 10.21037/qims.2019.02.02. DOI: https://doi.org/10.21037/qims.2019.02.02

Linning E, Lu L, Li L, Yang H, Schwartz LH, Zhao B. Radiomics for classifying histological subtypes of lung cancer based on multiphasic contrast-enhanced computed tomography. J Comput Assist Tomogr 2019; 43:300-6. doi: 10.1097/RCT.0000000000000836. DOI: https://doi.org/10.1097/RCT.0000000000000836

Wu W, Parmar C, Grossmann P, Quackenbush J, Lambin P, Bussink J, Mak R, Aerts HJ. Exploratory study to identify radiomics classifiers for lung cancer histology. Front Oncol 2016; 6:71. doi: 10.3389/fonc.2016.00071. DOI: https://doi.org/10.3389/fonc.2016.00071