Notícias

Oct 13, 2023

Métodos de aprendizado de máquina para biomarcadores radiômicos quantitativos

Relatórios Científicos volume 5,

Scientific Reports volume 5, Número do artigo: 13087 (2015) Citar este artigo

34k acessos

600 Citações

16 Altmétrica

Detalhes das métricas

A radiômica extrai e explora um grande número de recursos de imagens médicas que quantificam as características fenotípicas do tumor. Abordagens de aprendizado de máquina altamente precisas e confiáveis ​​podem impulsionar o sucesso de aplicações radiômicas em cuidados clínicos. Neste estudo radiômico, quatorze métodos de seleção de características e doze métodos de classificação foram examinados em termos de desempenho e estabilidade para prever a sobrevida geral. Um total de 440 características radiômicas foram extraídas de imagens de tomografia computadorizada (TC) pré-tratamento de 464 pacientes com câncer de pulmão. Para garantir a avaliação imparcial de diferentes métodos de aprendizado de máquina, foram usadas implementações publicamente disponíveis, juntamente com configurações de parâmetros relatadas. Além disso, usamos duas coortes radiômicas independentes para treinamento (n = 310 pacientes) e validação (n = 154 pacientes). Identificamos que o método de seleção de recursos WLCX baseado no teste de Wilcoxon (estabilidade = 0,84 ± 0,05, AUC = 0,65 ± 0,02) e um método de classificação de floresta aleatória RF (RSD = 3,52%, AUC = 0,66 ± 0,03) tiveram o maior desempenho prognóstico com alta estabilidade contra perturbação de dados. Nossa análise de variabilidade indicou que a escolha do método de classificação é a fonte mais dominante de variação de desempenho (34,21% da variação total). A identificação de métodos ideais de aprendizado de máquina para aplicações radiômicas é um passo crucial para biomarcadores radiômicos estáveis ​​e clinicamente relevantes, fornecendo uma maneira não invasiva de quantificar e monitorar as características fenotípicas do tumor na prática clínica.

'Oncologia de precisão' refere-se à personalização do tratamento do câncer, onde práticas e/ou terapias são adaptadas para pacientes individuais. Tal processo de customização pode maximizar o sucesso de intervenções preventivas e terapêuticas com efeitos colaterais mínimos. A maior parte da pesquisa relacionada à oncologia de precisão centrou-se na caracterização molecular de tumores usando abordagens baseadas em genômica, que requerem extração de tecido por biópsias tumorais. Embora várias abordagens baseadas em genômica tenham sido aplicadas com sucesso na oncologia clínica1, existem limitações inerentes aos ensaios baseados em biópsia. Os tumores são espacialmente e temporalmente heterogêneos e repetidas biópsias tumorais, que aumentam o risco para um paciente, são frequentemente necessárias para capturar a heterogeneidade molecular dos tumores. Esses desafios éticos e clínicos relacionados a ensaios baseados em biópsia podem ser abordados por imagens médicas, que é uma prática de rotina para diagnóstico de câncer e estadiamento em oncologia clínica. Ao contrário das biópsias, as imagens médicas não são invasivas e podem fornecer informações sobre todo o fenótipo do tumor, incluindo a heterogeneidade intratumoral. Além disso, avanços recentes em máquinas de aquisição de imagens de alta resolução e hardware computacional permitem a quantificação detalhada e eficiente das características fenotípicas do tumor. Portanto, a imagiologia médica oferece oportunidades sem precedentes para a oncologia de precisão.

A "radiômica", um campo emergente e promissor, levanta a hipótese de que a imagem médica fornece informações cruciais sobre a fisiologia do tumor, que podem ser exploradas para melhorar o diagnóstico do câncer2. Ele fornece uma quantificação abrangente dos fenótipos do tumor, extraindo e minerando um grande número de recursos de imagem quantitativos3. Vários estudos investigaram várias características radiômicas em termos de suas habilidades prognósticas ou preditivas e confiabilidade em diferentes contextos clínicos4,5,6,7,8,9,10. Diferentes estudos têm mostrado a capacidade de discriminação de características radiômicas para a estratificação da histologia do tumor6, graus ou estágios do tumor11 e resultados clínicos8,12,13. Além disso, alguns estudos relataram a associação entre características radiômicas e os padrões subjacentes de expressão gênica8,14,15.