Radiomics - Radiomics
No campo da medicina, a radiômica é um método que extrai um grande número de características de imagens médicas por meio de algoritmos de caracterização de dados. Essas feições, chamadas de feições radiômicas, têm o potencial de revelar padrões e características tumorais que não podem ser apreciadas a olho nu. A hipótese da radiômica é que as características de imagem distintas entre as formas da doença podem ser úteis para prever o prognóstico e a resposta terapêutica para vários tipos de câncer, fornecendo assim informações valiosas para a terapia personalizada. A radiômica surgiu nas áreas médicas da radiologia e oncologia e é a mais avançada em aplicações nessas áreas. No entanto, a técnica pode ser aplicada a qualquer estudo médico onde um processo patológico pode ser visualizado.
Processo
Aquisição de imagem
Os dados de imagem são fornecidos por modalidades radiológicas como CT, MRI, PET / CT ou mesmo PET / MR. Os volumes de dados brutos produzidos são usados para encontrar diferentes características de pixel / voxel por meio de ferramentas de extração.
Os recursos extraídos são salvos em grandes bancos de dados aos quais as clínicas têm acesso para permitir um trabalho amplamente colaborativo e cumulativo no qual todos podem se beneficiar de quantidades crescentes de dados, idealmente permitindo um fluxo de trabalho mais preciso.
Segmentação de imagem
Após as imagens serem salvas no banco de dados, elas devem ser reduzidas às partes essenciais, no caso os tumores, que são chamados de “volumes de interesse”.
Por causa dos grandes dados de imagem que precisam ser processados, seria muito trabalhoso executar a segmentação manualmente para cada imagem se um banco de dados radiômico com muitos dados fosse criado. Em vez de segmentação manual, um processo automatizado deve ser usado. Uma solução possível são os algoritmos de segmentação automática e semiautomática. Antes de poder ser aplicado em grande escala, um algoritmo deve ter a pontuação mais alta possível nas quatro tarefas a seguir:
- Primeiro, deve ser reproduzível, o que significa que, quando usado nos mesmos dados, o resultado não mudará.
- Outro fator importante é a consistência. O algoritmo resolve o problema em questão e executa a tarefa, em vez de fazer algo que não é importante. Nesse caso, é necessário que o algoritmo consiga detectar a parte doente em todas as diferentes varreduras.
- O algoritmo também precisa ser preciso. É muito importante que o algoritmo detecte a parte doente da forma mais precisa possível. Somente com dados precisos, resultados precisos podem ser alcançados.
- Um ponto menor, mas ainda importante, é a eficiência do tempo. Os resultados devem ser gerados o mais rápido possível para que todo o processo da radiômica também seja acelerado. Um ponto menor significa, neste caso, que, se está em um determinado quadro, não é tão importante quanto os outros.
Extração e qualificação de recursos
Após a segmentação, muitos recursos podem ser extraídos e a mudança líquida relativa das imagens longitudinais (delta-radiômica) pode ser calculada. As características radiômicas podem ser divididas em cinco grupos: características baseadas em tamanho e forma, descritores do histograma de intensidade da imagem, descritores das relações entre voxels de imagem (por exemplo, matriz de co-ocorrência de nível de cinza (GLCM), matriz de comprimento de execução (RLM), matriz de zona de tamanho (SZM) e matriz de diferença de tons de cinza de vizinhança (NGTDM), texturas derivadas, texturas extraídas de imagens filtradas e características fractais. As definições matemáticas dessas características são independentes da modalidade de imagem e podem ser encontradas na literatura. a descrição de recursos de textura para radiômica pode ser encontrada em Parekh, et al., (2016) e Depeursinge et al. (2017).
Devido à sua enorme variedade, reduções de recursos precisam ser implementadas para eliminar informações redundantes. Centenas de recursos diferentes precisam ser avaliados com algoritmos de seleção para acelerar esse processo. Além disso, os recursos que são instáveis e não reproduzíveis devem ser eliminados, pois os recursos com baixa fidelidade provavelmente levarão a descobertas espúrias e modelos irrepetíveis.
Análise
Após a seleção dos recursos que são importantes para nossa tarefa, é crucial analisar os dados escolhidos. Antes da análise propriamente dita, os dados clínicos e moleculares (às vezes até genéticos) precisam ser integrados porque têm um grande impacto sobre o que pode ser deduzido da análise. Existem diferentes métodos para finalmente analisar os dados. Primeiro, os diferentes recursos são comparados entre si para descobrir se eles têm alguma informação em comum e para revelar o que significa quando todos ocorrem ao mesmo tempo.
Outra forma é a análise supervisionada ou não supervisionada. A Análise Supervisionada usa uma variável de resultado para criar modelos de previsão. A análise não supervisionada resume as informações que temos e pode ser representada graficamente. Para que a conclusão dos nossos resultados seja claramente visível.
Bancos de dados
Criação
Várias etapas são necessárias para criar um banco de dados radiômico integrado. Os dados de imagem precisam ser exportados das clínicas. Essa já é uma etapa muito desafiadora porque as informações do paciente são muito confidenciais e regidas por leis de privacidade, como a HIPAA . Ao mesmo tempo, os dados exportados não devem perder sua integridade ao serem comprimidos de forma que o banco de dados incorpore apenas dados de mesma qualidade. A integração de dados clínicos e moleculares também é importante e um grande local de armazenamento de imagens é necessário.
Usar
O objetivo da radiômica é poder usar esse banco de dados para novos pacientes. Isso significa que precisamos de algoritmos que executem novos dados de entrada por meio do banco de dados que retornem um resultado com informações sobre como pode ser o curso da doença do paciente. Por exemplo, quão rápido o tumor vai crescer ou quão boas são as chances de que o paciente sobreviva por um certo tempo, se metástases à distância são possíveis e onde. Isso determina como o tratamento posterior (como cirurgia, quimioterapia, radioterapia ou medicamentos direcionados, etc.) e a melhor solução que maximiza a sobrevivência ou melhora são selecionados. O algoritmo deve reconhecer correlações entre as imagens e as feições, de forma que seja possível extrapolar do material da base de dados para os dados de entrada.
Formulários
Previsão de resultados clínicos
Aerts et al. (2014) realizaram o primeiro estudo radiômico em grande escala que incluiu três coortes de câncer de pulmão e duas de cabeça e pescoço, consistindo de mais de 1000 pacientes. Eles avaliaram os valores prognósticos de mais de 400 características texturais e baseadas em forma e intensidade extraídas das imagens de tomografia computadorizada (TC) adquiridas antes de qualquer tratamento. Os volumes dos tumores foram definidos por oncologistas especialistas em radiação ou usando métodos de segmentação semiautomática. Seus resultados identificaram um subconjunto de características radiômicas que podem ser úteis para prever a sobrevida do paciente e descrever a heterogeneidade intratumoral. Eles também confirmaram que a capacidade prognóstica dessas características radiômicas pode ser transferida do câncer de pulmão para o câncer de cabeça e pescoço. No entanto, Parmar et al. (2015) demonstraram que o valor prognóstico de algumas características radiômicas pode ser dependente do tipo de câncer. Particularmente, eles observaram que nem todas as características radiômicas que predizem significativamente a sobrevivência de pacientes com câncer de pulmão também podem prever a sobrevivência de pacientes com câncer de cabeça e pescoço e vice-versa.
Nasief et al. (2019) mostrou que as mudanças de características radiômicas ao longo do tempo em imagens longitudinais (características delta-radiômicas, DRFs) podem ser potencialmente usadas como um biomarcador para prever a resposta ao tratamento para câncer de pâncreas. Seus resultados mostraram que uma rede neural de regularização bayesiana pode ser usada para identificar um subconjunto de DRFs que demonstrou mudanças significativas entre bons e maus respondedores após 2–4 semanas de tratamento com uma AUC = 0,94. Eles também mostraram (Nasief et al., 2020) que os DRFs são preditores independentes de sobrevida e, se combinados com o biomarcador clínico CA19-9, podem melhorar a previsão da resposta ao tratamento e aumentar a possibilidade de adaptação ao tratamento com base na resposta.
Vários estudos também mostraram que as características radiômicas são melhores para prever a resposta ao tratamento do que as medidas convencionais, como o volume e o diâmetro do tumor e a captação máxima do radiotraçador na imagem de tomografia por emissão de pósitrons (PET). Usando esta técnica, um algoritmo foi desenvolvido, após o treinamento inicial com base na densidade de linfócitos intratumorais, para prever a probabilidade de resposta do tumor à imunoterapia, fornecendo uma demonstração do potencial clínico da radiômica como um poderoso instrumento para terapia personalizada no campo emergente da imunooncologia. Outros estudos também demonstraram a utilidade da radiômica para prever a resposta da imunoterapia de pacientes com NSCLC usando imagens de CT e PET / CT pré-tratamento .
A radiômica permanece inferior às técnicas convencionais em algumas aplicações, sugerindo a necessidade de melhoria contínua e manipulação dos recursos da radiômica para diferentes cenários clínicos. Por exemplo, Ludwig et. al (2020) demonstrou que as características radiômicas morfológicas eram inferiores às características previamente estabelecidas na discriminação do estado de ruptura do aneurisma intracraniano a partir da angiografia rotacional tridimensional .
Prognóstico
Estudos radiômicos mostraram que os marcadores baseados em imagens têm o potencial de fornecer informações ortogonais ao estadiamento e biomarcadores e melhorar o prognóstico.
Risco de previsão de metástases à distância
O potencial metastático de tumores também pode ser previsto por características radiômicas. Por exemplo, trinta e cinco características radiômicas baseadas em TC foram identificadas como preditivas de metástases à distância de câncer de pulmão em um estudo de Coroller et al. em 2015. Assim, eles concluíram que as características radiômicas podem ser úteis para identificar pacientes com alto risco de desenvolver metástases à distância, orientando os médicos a selecionar o tratamento eficaz para pacientes individuais.
Avaliação da genética do câncer
Os mecanismos biológicos do tumor pulmonar podem demonstrar padrões de imagem distintos e complexos. Em particular, Aerts et al. (2014) mostraram que características radiômicas estavam associadas a conjuntos de genes biológicos, como fase do ciclo celular, recombinação de DNA, regulação do processo do sistema imunológico, etc. Além disso, várias mutações do glioblastoma (GBM), como deleção 1p / 19q, metilação MGMT , TP53, EGFR e NF1, mostraram ser significativamente previstos por medidas volumétricas de imagem por ressonância magnética (MRI), incluindo volume do tumor, volume de necrose e volume de aumento de contraste.
Radioterapia guiada por imagem
A radiômica oferece a vantagem de não ser invasiva e, portanto, pode ser repetida prospectivamente para um determinado paciente com mais facilidade do que biópsias tumorais invasivas. Foi sugerido que a radiômica pode ser um meio para monitorar as mudanças dinâmicas do tumor ao longo do curso da radioterapia e para definir os subvolumes em risco para os quais o aumento da dose pode ser benéfico.
Distinguir a verdadeira progressão da radionecrose
O efeito do tratamento ou necrose de radiação após radiocirurgia estereotáxica (SRS) para metástases cerebrais é um fenômeno comum, muitas vezes indistinguível da verdadeira progressão. A radiômica demonstrou diferenças significativas em um conjunto de 82 lesões tratadas em 66 pacientes com desfechos patológicos. Os principais recursos Radiomic alimentados em um classificador IsoSVM otimizado resultaram em uma sensibilidade e especificidade de 65,38% e 86,67%, respectivamente, com uma área sob a curva de 0,81 na validação cruzada de deixar um de fora. Apenas 73% dos casos foram classificados pelo neurorradiologista, com sensibilidade de 97% e especificidade de 19%. Esses resultados mostram que a radiômica é promissora para diferenciar entre o efeito do tratamento e a verdadeira progressão nas metástases cerebrais tratadas com SRS.
Previsão de eventos fisiológicos
A radiômica também pode ser usada para identificar eventos fisiológicos desafiadores, como a atividade cerebral, que geralmente é estudada com técnicas de imagem como ressonância magnética funcional "fMRI". As imagens brutas de FMRI podem ser submetidas a análise radiômica para gerar recursos de imagem que podem ser posteriormente correlacionados com atividades cerebrais significativas.
Radiômica multiparamétrica
A imagem radiológica multiparamétrica é vital para a detecção, caracterização e diagnóstico de muitas doenças diferentes. No entanto, os métodos atuais em radiômica são limitados ao uso de imagens únicas para a extração dessas características texturais e podem limitar o escopo aplicável da radiômica em diferentes configurações clínicas. Assim, na forma atual, eles não são capazes de capturar as verdadeiras características do tecido subjacente em um espaço de imagem multiparamétrica de alta dimensão.
Recentemente, uma estrutura radiômica de imagem multiparamétrica denominada MPRAD para extração de características radiômicas de conjuntos de dados de alta dimensão foi desenvolvida. A Radiômica Multiparamétrica foi testada em dois órgãos e doenças diferentes; câncer de mama e acidentes cerebrovasculares no cérebro, comumente referido como acidente vascular cerebral.
Câncer de mama
No câncer de mama, a estrutura do MPRAD classificou lesões malignas de benignas na mama com excelente sensibilidade e especificidade de 87% e 80,5%, respectivamente, com AUC de 0,88. MPRAD forneceu um aumento de 9% -28% na AUC sobre parâmetros radiômicos únicos. Mais importante ainda, na mama, os MPRADs de tecido glandular normal foram semelhantes entre cada grupo, sem diferenças significativas.
Golpe
Da mesma forma, os recursos de MPRAD em acidente vascular cerebral demonstraram desempenho aumentado na distinção da incompatibilidade de difusão de perfusão em comparação com a radiômica de parâmetro único e não houve diferenças dentro do tecido de substância branca e cinzenta. A maioria das características radiômicas únicas de segunda ordem (GLCM) não mostrou nenhuma diferença textural significativa entre o tecido infartado e o tecido em risco no mapa ADC. Considerando que as mesmas características radiômicas multiparamétricas de segunda ordem (TSPM) foram significativamente diferentes para o conjunto de dados DWI. Da mesma forma, os valores radiômicos multiparamétricos para o conjunto de dados TTP e PWI demonstraram resultados excelentes para o MPRAD. A Entropia de MPRAD TSPM exibiu diferença significativa entre o tecido infartado e o tecido potencial em risco: (6,6 ± 0,5 vs 8,4 ± 0,3, p = 0,01).
