Capacidade de predição de agressividade de neoplasias renais malignas utilizando radiômica em sequências específicas de ressonância magnética

• Autor(a) principal: Barreto, Luan Oliveira
• 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-05012024-162435/
• topic: Artificial intelligence; Inteligência artificial; Kidney neoplasm; Logistic regression; Logistic regression; Magnetic resonance; Neoplasia renal; PyRadiomics; PyRadiomics; Random forest; Random forest; Ressonância magnética; Sklearn; Sklearn; SVM; SVM

Objetivo: Avaliar a capacidade de sequências específicas de RM em predizer a gravidade anatomopatológica de neoplasias renais malignas, utilizando o desempenho da radiômica, baseada em ferramentas de processamento por inteligência artificial com aprendizado de máquina (machine learning), treinada com base em exames de pacientes com confirmação histopatológica de câncer de rim. Materiais e métodos: Segmentamos, manualmente, 42 lesões renais de exames de RM, realizadas em nossa instituição. Os dados foram adquiridos nas fases T2, ADC e Portal, através do software 3D Slicer. Em seguida, foram extraídos atributos (features) das imagens usando a biblioteca PyRadiomics. Após a extração dos atributos, realizou-se uma seleção de atributos utilizando a biblioteca Sklearn. Foram testados diferentes modelos de seleção, como Recursive Feature Elimination (RFE) e SelectKBest. Os modelos de aprendizado de máquina testados foram Random Forest, Sector Vector Machine (SVM) e Logistic Regression. O treino foi feito com a porção de treino dos casos, e a validação dos modelos com a porção de teste. Após a validação dos modelos, estudamos a acurácia, a precisão e a área sob a curva ROC (AUC-ROC) para avaliar o desempenho dos modelos. Resultados: no ADC, o SVM, Random Forest e Logistic Regression alcançaram acurácia de 0.80, 0.68 e 0.78, precisão de 0.65, 0.46 e 0.59 e AUC-ROC de 0.73, 0.57 e 0.73. No Portal, o SVM, Random Forest e Logistic Regression alcançaram acurácia de 0.82, 0.83 e 0.78, precisão de 0.69, 0.62 e 0.64 e AUC-ROC de 1.00, 0.67 e 0.82. Discussão: os resultados deste estudo demonstram que a radiômica pode ser usada para diferenciar entre tumores renais de baixo e alto grau usando dados de ressonância magnética com boa precisão. O SVM e Logistic Regression obtiveram bons resultados, com SVM alcançando a maior precisão e o Random Forest não obteve bons resultados. Novos estudos com amostras maiores são necessários para confirmar esses achados.