Desarrollo de un modelo clínico-radiómico de aprendizaje automatizado, para la predicción de respuesta a la quimioterapia neoadyuvante en pacientes con cáncer de mama.
Loading...
Date
2024
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El cáncer de mama es el tipo de cáncer mas frecuente en mujeres. Aunque existen diversas estrategias de tratamiento, no se dispone de herramientas clínicas para poder predecir con certeza la respuesta de cada paciente a distintas opciones de tratamiento, lo cual motiva este estudio. El trabajo realizado consistió en la implementación de una herramienta para la predicción de la respuesta patológica en pacientes con cáncer de mama tratadas con quimioterapia neoadyuvante. Se utilizaron dos cohortes de imágenes de resonancia magnética con peso T1 (T1w) y con contraste (DCE) previas al tratamiento, una para entrenamiento y evaluación de los modelos predictivos, y la otra para validación externa. Estos cohortes se adquirieron de manera independiente de un repositorio abierto y contaban con información sobre el tipo de respuesta patológica de las pacientes a la quimioterapia neoadyuvante. Para el cohorte de entrenamiento, se realizo una segmentación manual por experto y una semiautomática del parénquima de la mama con el tumor y la lesión. Los resultados de ambos métodos fueron comparados usando el coeficiente de Dice . El cohorte de validación externa incluía la segmentación del tumor realizada por un experto. A partir del proceso de segmentación de tejidos, se extrajeron y analizaron características radiómicas de los volúmenes de interés. Se busco determinar que características presentaban diferencias estadísticamente significativas entre pacientes con respuesta completa y no completa. Se construyeron modelos de aprendizaje automatizado utilizando diferentes clasificadores, incluyendo regresión logística, arboles de decisión, maquinas desoporte vectorial, clasificador bayesiano y vecinos cercanos, con el objetivo de predecir la respuesta tumoral. El desempeño de los modelos se evaluó mediante una validación cruzada con k=2 y 100 repeticiones. Al comparar la segmentación manual y semiautomática del tumor se obtuvo un valor promedio del coeficiente de Dice de 0.635 [0.402-0.857]. Se identificaron un total de 16 características con diferencias significativas, las cuales incluyeron características radiómicas, cinéticas y de subtipo molecular. Estas características no presentaron correlaciones significativas entre sí y obteniéndose un valor máximo de AUC de 0.825. Del análisis de rendimiento de los modelos multivariados, se encontró que el modelo basado en el algoritmo de Vecinos Cercanos (KNN), utilizando la combinación de características: Correlation (Lesión), Skewness (Lesión), Idmn (Lesión), Kurtosis (Peak Enhancement), Kurtosis (Wash-In-Slope) y HER2, presentó el mejor rendimiento en términos de la métrica AUC, obteniéndose un valor de 0.951 [0.890-0.994] para el entrenamiento y en la validacion interna AUC de 0.984. En la validación externa del algoritmo con un cohorte independiente de 81 pacientes, se obtuvo un valor de AUC de 0.955 en la predicción de la respuesta tumoral. Estos resultados demuestran la capacidad de generalización y reproducción del modelo en un conjunto de pacientes independiente.
Description
Tesis (Magíster en Física Medica)--Pontificia Universidad Católica de Chile, 2024.