Análise de textura em pacientes com lesão de glioblastoma multiforme para correlação com o prognóstico da doença

• Autor(a) principal: Borges, Pedro Henrique de Marco
• Data de Publicação: 2020
• 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/59/59135/tde-28052020-162040/
• topic: Aprendizado de máquina; Glioblastoma multiform; Glioblastoma multiforme; Kurtosis; Kurtosis; Machine learning; Radiomics; Radiomics

Tumores sólidos são temporalmente heterogêneos. O padrão desta heterogeneidade tem sido estudado através da extração de características quantitativas de imagens médicas sofisticadas, como as imagens de ressonância magnética (IRM). Essas características podem se relacionar com os padrões genéticos do tumor e consequentemente com a resposta ao tratamento. Um dos exemplos mais estudados de tumor com alta heterogeneidade é o glioblastoma multiforme (GBM). Essa característica limita o uso de biópsias invasivas para caracterização do tecido, porém, diversos estudos sobre a caracterização da heterogeneidade dessas lesões de forma não invasiva têm sido realizados. GBM possui um mau prognóstico devido à alta recorrência da lesão. A sobrevida média dos pacientes é de 14 meses, quando o tratamento padrão é realizado. Diante deste cenário, é necessário que se faça uma precisa escolha do tratamento para não prejudicar a qualidade de vida do paciente. Neste contexto, o presente trabalho tem como objetivo principal extrair informações quantitativas de IRM de pacientes com GBM que foram submetidos ao tratamento radioterápico, através de processamento de imagens para correlaciona-las com determinados prognósticos da doença. A metodologia desse estudo consistiu em extrair 105 características quantitativas por Radiomics do volume de tumor presente em IRM ponderadas em T1 após administração de contraste de 43 pacientes submetidos à radioterapia no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto. O software usado para essa extração foi o 3D Slicer - um software gratuito de processamento de imagens. Além disso, os desfechos clínicos ou endpoints desses pacientes em termos de tempo para sobrevida global (SG), sobrevida livre da progressão da doença (SLPD) e recorrência na borda do campo de tratamento (RECURR) também foram coletados. Testes estatísticos (Shapiro-Wilk e teste t de Student) foram aplicados para determinar quais características se relacionavam de maneira significativa com determinados endpoints. Como resultado observou-se que, para o endpoint SLPD em até 3 meses, a característica Radiomics Kurtosis obteve o melhor resultado na separação dos grupos de pacientes com desfecho clínico 1 e 0 (representação binária para pacientes que recidivaram e não recidivaram dentro de 3 meses, respectivamente), com uma acurácia de 69%. Para essa mesma característica, aplicou-se um classificador baseado em Regressão Logística e obteve-se uma área sobre a curva - AUC - de 75%. Com base na revisão bibliográfica de trabalhos envolvendo endpoints, Radiomics e GBM, replicamos um trabalho no qual utilizou uma técnica de redução de dimensionalidade baseada na correlação de Spearman para criação de um modelo preditivo utilizando árvores de decisão e obtivemos um resultado consistente com o proposto de 62,8% de acurácia no modelo preditivo para o endpoint RECURR.