Radiomica - Radiomics
En el campo de la medicina, la radiómica es un método que extrae una gran cantidad de características de imágenes médicas utilizando algoritmos de caracterización de datos. Estas características, denominadas características radiómicas, tienen el potencial de descubrir patrones y características tumorales que no se pueden apreciar a simple vista. La hipótesis de la radiómica es que las características de imagen distintivas entre las formas de la enfermedad pueden ser útiles para predecir el pronóstico y la respuesta terapéutica para varios tipos de cáncer, proporcionando así información valiosa para la terapia personalizada. La radiómica surgió de los campos médicos de la radiología y la oncología y es la más avanzada en aplicaciones dentro de estos campos. Sin embargo, la técnica se puede aplicar a cualquier estudio médico en el que se pueda visualizar un proceso patológico.
Proceso
Adquisición de imágen
Los datos de la imagen son proporcionados por modalidades radiológicas como CT, MRI, PET / CT o incluso PET / MR. Los volúmenes de datos brutos producidos se utilizan para encontrar diferentes características de píxeles / vóxeles a través de herramientas de extracción.
Las características extraídas se guardan en grandes bases de datos a las que las clínicas tienen acceso para permitir un trabajo ampliamente colaborativo y acumulativo en el que todos pueden beneficiarse de cantidades crecientes de datos, lo que idealmente permite un flujo de trabajo más preciso.
Segmentación de imagen
Una vez guardadas las imágenes en la base de datos, hay que reducirlas a las partes esenciales, en este caso los tumores, que se denominan “volúmenes de interés”.
Debido a la gran cantidad de datos de imágenes que deben procesarse, sería demasiado trabajo realizar la segmentación manualmente para cada imagen si se crea una base de datos de radiomics con muchos datos. En lugar de la segmentación manual, se debe utilizar un proceso automatizado. Una posible solución son los algoritmos de segmentación automáticos y semiautomáticos. Antes de que pueda aplicarse a gran escala, un algoritmo debe puntuar lo más alto posible en las siguientes cuatro tareas:
- Primero, debe ser reproducible, lo que significa que cuando se usa con los mismos datos, el resultado no cambiará.
- Otro factor importante es la consistencia. El algoritmo resuelve el problema en cuestión y realiza la tarea en lugar de hacer algo que no es importante. En este caso, es necesario que el algoritmo pueda detectar la parte enferma en todos los escaneos diferentes.
- El algoritmo también debe ser preciso. Es muy importante que el algoritmo detecte la parte enferma de la forma más precisa posible. Solo con datos precisos, se pueden lograr resultados precisos.
- Un punto menor pero aún importante es la eficiencia del tiempo. Los resultados deben generarse lo más rápido posible para que todo el proceso de radiomics también pueda acelerarse. Un punto menor significa en este caso que, si está en un marco determinado, no es tan importante como los demás.
Extracción y calificación de características
Después de la segmentación, se pueden extraer muchas características y se puede calcular el cambio neto relativo de las imágenes longitudinales (delta-radiomics). Las características radiómicas se pueden dividir en cinco grupos: características basadas en el tamaño y la forma, descriptores del histograma de intensidad de la imagen, descriptores de las relaciones entre los vóxeles de imagen (por ejemplo, matriz de co-ocurrencia de niveles de gris (GLCM), matriz de longitud de ejecución (RLM), texturas derivadas de la matriz de zona de tamaño (SZM) y matriz de diferencia de tono de gris vecino (NGTDM), texturas extraídas de imágenes filtradas y características fractales. Las definiciones matemáticas de estas características son independientes de la modalidad de imagen y se pueden encontrar en la literatura. La descripción de las características de textura para radiomics se puede encontrar en Parekh, et al., (2016) y Depeursinge et al. (2017).
Debido a su enorme variedad, es necesario implementar reducciones de funciones para eliminar la información redundante. Es necesario evaluar cientos de características diferentes con algoritmos de selección para acelerar este proceso. Además, las características que son inestables y no reproducibles deben eliminarse, ya que las características con baja fidelidad probablemente darán lugar a hallazgos falsos y modelos irrepetibles.
Análisis
Después de la selección de las características que son importantes para nuestra tarea, es crucial analizar los datos elegidos. Antes del análisis real, los datos clínicos y moleculares (a veces incluso los genéticos) deben integrarse porque tienen un gran impacto en lo que se puede deducir del análisis. Existen diferentes métodos para analizar finalmente los datos. Primero, las diferentes características se comparan entre sí para averiguar si tienen alguna información en común y para revelar qué significa cuando todas ocurren al mismo tiempo.
Otra forma es el análisis supervisado o no supervisado. El análisis supervisado utiliza una variable de resultado para poder crear modelos de predicción. El análisis no supervisado resume la información que tenemos y se puede representar gráficamente. Para que la conclusión de nuestros resultados sea claramente visible.
Bases de datos
Creación
Son necesarios varios pasos para crear una base de datos radiómica integrada. Los datos de imágenes deben exportarse desde las clínicas. Este ya es un paso muy desafiante porque la información del paciente es muy sensible y se rige por las leyes de privacidad, como HIPAA . Al mismo tiempo, los datos exportados no deben perder nada de su integridad cuando se comprimen para que la base de datos solo incorpore datos de la misma calidad. La integración de datos clínicos y moleculares también es importante y se necesita una gran ubicación de almacenamiento de imágenes.
Usar
El objetivo de la radiómica es poder utilizar esta base de datos para nuevos pacientes. Esto significa que necesitamos algoritmos que ejecuten nuevos datos de entrada a través de la base de datos que devuelvan un resultado con información sobre cómo podría ser el curso de la enfermedad de los pacientes. Por ejemplo, qué tan rápido crecerá el tumor o qué tan altas son las posibilidades de que el paciente sobreviva durante un cierto tiempo, si es posible que se produzcan metástasis a distancia y dónde. Esto determina cómo se selecciona el tratamiento adicional (como cirugía, quimioterapia, radioterapia o medicamentos dirigidos, etc.) y la mejor solución que maximiza la supervivencia o la mejora. El algoritmo tiene que reconocer las correlaciones entre las imágenes y las características, de modo que sea posible extrapolar del material de la base de datos a los datos de entrada.
Aplicaciones
Predicción de resultados clínicos
Aerts y col. (2014) realizaron el primer estudio radiómico a gran escala que incluyó tres cohortes de cáncer de pulmón y dos de cáncer de cabeza y cuello, con más de 1000 pacientes. Evaluaron los valores pronósticos de más de 400 características basadas en la textura y la forma e intensidad extraídas de las imágenes de tomografía computarizada (TC) adquiridas antes de cualquier tratamiento. Los volúmenes tumorales fueron definidos por oncólogos radioterapeutas expertos o utilizando métodos de segmentación semiautomáticos. Sus resultados identificaron un subconjunto de características radiómicas que pueden ser útiles para predecir la supervivencia del paciente y describir la heterogeneidad intratumoral. También confirmaron que la capacidad de pronóstico de estas características radiómicas puede transferirse del cáncer de pulmón al cáncer de cabeza y cuello. Sin embargo, Parmar et al. (2015) demostraron que el valor pronóstico de algunas características radiómicas puede depender del tipo de cáncer. En particular, observaron que no todas las características radiómicas que predecían significativamente la supervivencia de los pacientes con cáncer de pulmón también podían predecir la supervivencia de los pacientes con cáncer de cabeza y cuello y viceversa.
Nasief y col. (2019) mostraron que los cambios de las características radiómicas a lo largo del tiempo en las imágenes longitudinales (características delta-radiómicas, DRF) pueden potencialmente usarse como un biomarcador para predecir la respuesta al tratamiento para el cáncer de páncreas. Sus resultados mostraron que se puede utilizar una red neuronal de regularización bayesiana para identificar un subconjunto de DRF que demostraron cambios significativos entre los respondedores buenos y malos después de 2-4 semanas de tratamiento con un AUC = 0,94. También demostraron (Nasief et al., 2020) que los DRF son un predictor independiente de supervivencia y, si se combinan con el biomarcador clínico CA19-9, pueden mejorar la predicción de la respuesta al tratamiento y aumentar la posibilidad de adaptación del tratamiento basada en la respuesta.
Varios estudios también han demostrado que las características radiómicas son mejores para predecir la respuesta al tratamiento que las medidas convencionales, como el volumen y el diámetro del tumor, y la captación máxima del radiotrazador en las imágenes de tomografía por emisión de positrones (PET). Utilizando esta técnica se ha desarrollado un algoritmo, tras un entrenamiento inicial basado en la densidad de linfocitos intra tumorales, para predecir la probabilidad de respuesta tumoral a la inmunoterapia, proporcionando una demostración del potencial clínico de la radiómica como potente para la terapia personalizada en el campo emergente de inmunooncología. Otros estudios también han demostrado la utilidad de la radiómica para predecir la respuesta a la inmunoterapia de los pacientes con CPCNP utilizando imágenes de TC y PET / TC antes del tratamiento .
Radiomics sigue siendo inferior a las técnicas convencionales en algunas aplicaciones, lo que sugiere la necesidad de una mejora continua y la manipulación de las características de Radiomics en diferentes escenarios clínicos. Por ejemplo, Ludwig et. al (2020) demostró que las características morfológicas de Radiomics eran inferiores a las características previamente establecidas en la discriminación del estado de ruptura del aneurisma intracraneal de la angiografía rotacional tridimensional .
Pronóstico
Los estudios radiómicos han demostrado que los marcadores basados en imágenes tienen el potencial de proporcionar información ortogonal a la estadificación y los biomarcadores y mejorar el pronóstico.
Riesgo de predicción de metástasis a distancia
El potencial metastásico de los tumores también puede predecirse mediante características radiómicas. Por ejemplo, en un estudio de Coroller et al., Se identificaron treinta y cinco características radiómicas basadas en TC para predecir metástasis a distancia de cáncer de pulmón. en 2015. De este modo, concluyeron que las características radiómicas pueden ser útiles para identificar a los pacientes con alto riesgo de desarrollar metástasis a distancia, guiando a los médicos a seleccionar el tratamiento efectivo para pacientes individuales.
Evaluación de la genética del cáncer
Los mecanismos biológicos de los tumores de pulmón pueden demostrar patrones de imagen distintos y complejos. En particular, Aerts et al. (2014) mostraron que las características radiómicas se asociaron con conjuntos de genes biológicos, como la fase del ciclo celular, la recombinación del ADN, la regulación del proceso del sistema inmunológico, etc. Además, varias mutaciones del glioblastoma (GBM), como la deleción 1p / 19q, la metilación de MGMT , TP53, EGFR y NF1, se ha demostrado que se pueden predecir significativamente mediante medidas volumétricas de resonancia magnética (MRI), incluido el volumen del tumor, el volumen de necrosis y el volumen de realce de contraste.
Radioterapia guiada por imágenes
La radiómica ofrece la ventaja de no ser invasiva y, por lo tanto, se puede repetir de forma prospectiva para un paciente determinado con más facilidad que las biopsias de tumores invasivos. Se ha sugerido que la radiómica podría ser un medio para monitorear los cambios dinámicos del tumor a lo largo del curso de la radioterapia y para definir subvolúmenes en riesgo para los cuales el aumento de dosis podría ser beneficioso.
Distinguir la verdadera progresión de la radionecrosis
El efecto del tratamiento o la necrosis por radiación después de la radiocirugía estereotáctica (SRS) para metástasis cerebrales es un fenómeno común a menudo indistinguible de la progresión real. La radiómica demostró diferencias significativas en un conjunto de 82 lesiones tratadas en 66 pacientes con resultados patológicos. Las características de Radiomic mejor clasificadas se incorporan a un clasificador IsoSVM optimizado que dio como resultado una sensibilidad y especificidad de 65,38% y 86,67%, respectivamente, con un área bajo la curva de 0,81 en la validación cruzada de dejar uno fuera. Solo el 73% de los casos fueron clasificables por el neurorradiólogo, con una sensibilidad del 97% y una especificidad del 19%. Estos resultados muestran que la radiómica es prometedora para diferenciar entre el efecto del tratamiento y la verdadera progresión en las metástasis cerebrales tratadas con SRS.
Predicción de eventos fisiológicos
La radiómica también se puede utilizar para identificar eventos fisiológicos desafiantes, como la actividad cerebral, que generalmente se estudia con técnicas de imagen como la resonancia magnética funcional "fMRI". Las imágenes sin procesar de FMRI pueden someterse a un análisis radiómico para generar características de imágenes que luego pueden correlacionarse con una actividad cerebral significativa.
Radiomics multiparamétricos
Las imágenes radiológicas multiparamétricas son vitales para la detección, caracterización y diagnóstico de muchas enfermedades diferentes. Sin embargo, los métodos actuales en radiómica se limitan al uso de imágenes únicas para la extracción de estas características de textura y pueden limitar el alcance aplicable de la radiómica en diferentes entornos clínicos. Por tanto, en la forma actual, no son capaces de capturar las verdaderas características del tejido subyacente en un espacio de formación de imágenes multiparamétricas de alta dimensión.
Recientemente, se desarrolló un marco radiómico de imágenes multiparamétricas denominado MPRAD para la extracción de características radiómicas de conjuntos de datos de alta dimensión. La Radiómica Multiparamétrica se probó en dos órganos y enfermedades diferentes; cáncer de mama y accidentes cerebrovasculares en el cerebro, comúnmente conocido como accidente cerebrovascular.
Cáncer de mama
En el cáncer de mama, el marco MPRAD clasificó las lesiones mamarias malignas de las benignas con una sensibilidad y especificidad excelentes del 87% y 80,5% respectivamente con un AUC de 0,88. MPRAD proporcionó un aumento del 9% -28% en el AUC sobre los parámetros radiómicos individuales. Más importante aún, en la mama, la MPRAD de tejido glandular normal fue similar entre cada grupo sin diferencias significativas.
Carrera
De manera similar, las características de MPRAD en el accidente cerebrovascular demostraron un mayor rendimiento para distinguir el desajuste de la perfusión-difusión en comparación con la radiómica de un solo parámetro y no hubo diferencias dentro del tejido de materia blanca y gris. La mayoría de las características radiómicas únicas de segundo orden (GLCM) no mostraron ninguna diferencia de textura significativa entre el tejido infartado y el tejido en riesgo en el mapa ADC. Mientras que las mismas características radiómicas multiparamétricas de segundo orden (TSPM) fueron significativamente diferentes para el conjunto de datos DWI. De manera similar, los valores radiómicos multiparamétricos para el conjunto de datos de TTP y PWI demostraron excelentes resultados para la MPRAD. La entropía MPRAD TSPM mostró una diferencia significativa entre el tejido infartado y el tejido potencial en riesgo: (6,6 ± 0,5 frente a 8,4 ± 0,3, p = 0,01).
