Biópsia virtual usando radiômica por ressonância magnética na avaliação de gliomas do sistema nervoso central

Abstract

Radiômica é uma abordagem avançada de análise de imagens médicas que envolve a extração quantitativa de um grande número de características das imagens, com o objetivo de capturar informações minuciosas e não visíveis a olho nu. Os gliomas são tumores primários originários das células da glia e representam cerca de 27% de todos os tumores do sistema nervoso central. Imagens médicas para classificação de gliomas de acordo com a Organização Mundial de Saúde continua sendo um desafio. O objetivo do trabalho é investigar o desempenho da análise quantitativa baseada em radiômica em imagens de ressonância magnética, T1 Volumétrico pós-contraste (3D T1CE), FLAIR e ADC na região tumoral, para predição da diferenciação dos tumores gliais de alto e baixo grau. Trata-se de um estudo retrospectivo, baseado em análise dos registros anátomo-patológicos e de imagens de RM de pacientes operados em um hospital terciário, atendidos entre janeiro de 2019 a dezembro de 2022, que obedeceram aos critérios de seleção da amostra. Cento e setenta e seis gliomas confirmados histologicamente realizaram as sequências 3D T1 CE, FLAIR e ADC de RM, antes de qualquer intervenção. O volume de interesse cobrindo todo o realce do tumor foi desenhado manualmente nas sequências descritas usando o software 3D slicer e um total de 105, 117, 114 características foram extraídas do VOI, das sequências descritas, respectivamente. Um algoritmo de inteligência artificial, floresta aleatória foi aplicado para diferenciar gliomas de baixo (LGG) e alto graus (HGG) e a eficácia foi testada com validação cruzada de 10 vezes. Em seguida, a eficácia diagnóstica do aprendizado de máquina baseado em radiômica foi comparada entres as três sequências. Foram incluídos neste estudo 130 HGG e 46 LGG, o HGG tendeu a apresentar necrose proeminente, edema perilesional, realce e a multifocalidade dos tumores (P <0,05). A sensibilidade, especificidade, precisão, acurácia e área sob a curva ROC (AUC) da radiômica foram de 94,59%, 92,68%, 92,11%, 93,59% e 0,9364 para 3DT1 CE; 94,74%, 89,47%, 90,0%, 92,11%, 0,9211 para FLAIR; 83,78%,92,68%,91,18%,88,46%, 0,8823 para ADC e 90%, 90,99%, 91,56%, 90,47% e 0,9050 para a combinação dessas sequências, respectivamente. O aprendizado de máquina baseado em radiômica na sequência 3D T1CE ofereceu eficácia superior às demais sequências de RM avaliadas, não houve melhor classificação com o uso de sequências isoladas. A aplicação clínica do aprendizado de máquina baseado em radiômica pode ser justificada com base em nosso estudo.