Radiômica na diferenciação entre lesões de baixo e alto grau na ressonância magnética de próstata

• Autor(a) principal: Barros, Rafael Vasconcelos
• Data de Publicação: 2023
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
• Texto Completo: https://www.teses.usp.br/teses/disponiveis/17/17158/tde-05012024-162852/
• topic: Artificial intelligence; Inteligência artificial; Logistic regression; Logistic regression; Magnetic resonance; Prostate cancer; PyRadiomics; PyRadiomics; Random forest; Random forest; Ressonância magnética; Sklearn; Sklearn; SVM; SVM

Objetivo: Avaliar o desempenho da radiômica, com base em ferramentas de processamento de inteligência artificial com machine learning, para a diferenciação entre lesões de baixo/intermediário grau (ISUP 1 e 2) e lesões de alto grau (ISUP 3-5) em pacientes com confirmação histopatológica de câncer de próstata (CaP). Materiais e métodos: Segmentamos, manualmente, as lesões de próstata visíveis em exames consecutivos de ressonância nuclear magnética multiparamétrica(RM) realizados em nossa instituição, de 2019 a 2022, usando o software 3D Slicer. Posteriormente, foram extraídas características de imagem utilizando a biblioteca PyRadiomics. Pacientes que apresentaram artefatos nas imagens de RM, lesões com escore de Gleason <6, lesões localmente avançadas, intervalo de tempo entre a RM e a biópsia ou cirurgia superior a 4 meses, lesões sem confirmação histopatológica no serviço ou ausência de lesões visíveis na RM foram excluídos do estudo. Após as exclusões, 146 pacientes antes de prostatectomia radical (26%) ou biópsia direcionada (74%) foram incluídos no estudo, dos quais 83 pacientes com lesões ISUP 1 (n=33) ou 2 (n=50) foram atribuídos ao grupo 1, e outros 63 pacientes com lesões ISUP 3 (n=18), 4 (n=18) ou 5 (n=27) foram atribuídos ao grupo 2. A proporção de pacientes nos conjuntos de treinamento e validação foi de 70% dos dados para treinamento e 30% para validação. Os modelos de Support Vector Machine (SVM), Random Forest (RF) e Logistic Regression (LR) foram usados para classificar os casos. A acurácia, matriz de confusão, precisão, recall, F1-score e área sob a curva característica de operação do receptor (AUC-ROC) foram avaliados para cada modelo. Um procedimento de cross validation foi realizado para avaliar a consistência e estabilidade dos modelos. Resultados: O cross validation para o modelo support vector machine mostrou acurácia média de 0.91 (0,87-0,94), precisão de 0.92 (0,87-0,98) e a curva AUC-ROC de 0.98 (0,96- 0,99). O modelo random forest teve acurácia média de 0.91 (0,88- 0,95), precisão de 0.98 (0,95- 1,01) e a curva AUC-ROC de 0.97 (0,95-0,99). O modelo logistic regression mostrou uma acurácia média de 0.93 (0,89-0,98), precisão de 0.96 (0,92-1,00) e curva AUC-ROC de 0,96 (0,93-0,99). Conclusão: A utilização de radiômica pode diferenciar com precisão lesões de baixo/intermediário grau (ISUP 1 e 2) de lesões de alto grau (ISUP 3-5) e pode ser uma ferramenta auxiliar importante para a confirmação da elegibilidade de pacientes que consideram uma abordagem conservadora como manejo primário do câncer de próstata. Estudos prospectivos e multi-institucionais adicionais são necessários para a validação de nossos resultados encorajadores.