Determinación del grado de agresividad tumoral mediante técnicas de inteligencia artificial aplicadas a imágenes de resonancia magnética
Resumen
Objetivo: Determinar el grado de agresividad tumoral mediante técnicas de inteligencia artificial utilizando imágenes de resonancia magnética de sarcomas con grado histológico comprobado. Materiales y Métodos: Dos cohortes retrospectivas independientes de pacientes con sarcomas de partes blandas. Para cada paciente de las dos cohortes se adquirieron tres tipos de secuencias de imágenes como indican los protocolos clínicos: potenciadas en T1, en T2 con supresión grasa (T2FS) y STIR. A fin de desarrollar el modelo de inteligencia artificial, se utilizaron 134 imágenes, tanto las de alto grado como las de bajo grado, en T1 y T2 tomando la imagen más representativa del tumor en cualquier corte. Esto se traduce en 36 millones de píxeles que serán analizados por el programa Landing AI. Resultados: La precisión promedio del modelo fue del 84,3% y la sensibilidad, del 73,3%, con un umbral de confianza de 0,66, lo que demuestra inicialmente que se obtuvo un modelo de buena calidad para predecir con imágenes de resonancia magnética el grado de agresividad de un sarcoma de partes blandas antes de la biopsia. Conclusiones: Se presenta un enfoque novedoso para abordar un tipo de enfermedad infrecuente usando técnicas de inteligencia artificial para determinar el grado tumoral en imágenes de resonancia magnética. Según los resultados de nuestro modelo, se lo puede considerar como una segunda opinión experta al realizar los estudios por imágenes antes de la biopsia.Descargas
Métricas
Citas
McCarthy J, Minsky ML, Rochester N, Shannon CE. A proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Magazine 2006;27(4):12-4. https://doi.org/10.1609/aimag.v27i4.1904
Maxmen JS. The post-physician era: Medicine in the 21st century. Hoboken, New Jersey: Wiley; 1976, p. 2336-7.
Scarlat A. A machine learning primer for clinicians–part 1. HIStalk. 2018. Disponible en:
https://histalk2.com/2018/10/17/a-machine-learningprimer-for-clinicianspart-1/ [Consulta: 5 de agosto, 2019]
Chollet F. Deep learning with Python. Shelter Island, New York: Manning Publications; 2018.
Bini SA. Artificial intelligence, machine learning, deep learning, and cognitive computing: what do these terms mean and how will they impact health care? J Arthroplasty 2018;33(8):2358-61. https://doi.org/10.1016/j.arth.2018.02.067
Siegel RL, Miller KD, Jemal A. Cancer statistics, 2019. CA Cancer J Clin 2019;69(1):7-34. https://doi.org/10.3322/caac.21551
Fletcher CDM, Bridge JA, Hogendoorn P, Mertens F. WHO Classification of Tumors of Soft Tissue and Bone. 4th ed., WHO Press; 2013, vol. 3.
Trojani M, Contesso G, Coindre JM, Rouesse J, Bui NB, de Mascarel A, et al. Soft tissue sarcomas in adults; study of pathological prognostic variables and definition of histopathological grading systems. Int J Cancer 1984;33(1):37-42. https://doi.org/10.1002/ijc.2910330108
Vallières M, Freeman CR, Skamene SR, El Naqa I. A radiomics model from joint FDG-PET and MRI texture
features for the prediction of lung metastases in soft-tissue sarcomas of the extremities. Phys Med Biol
;60(14):5471-96. https://doi.org/10.1088/0031-9155/60/14/5471
Refai F. The histopathological grading of soft tissue sarcomas: A review. Saudi J Pathol Microbiol 2019;4(8):581-5. https://doi.org/10.21276/sjpm.2019.4.8.2
Deyrup AT, Weiss SW. Grading of soft tissue sarcomas: the challenge of providing precise information in an imprecise world. Histopathology 2006;48(1):42-50. https://doi.org/10.1111/j.1365-2559.2005.02288.x
Amidi A, Amidi S. Hoja de referencia de consejos y trucos sobre Aprendizaje Automático. Métricas de clasificación. 2021. Disponible en: https://stanford.edu/~shervine/l/es/ teaching/cs-229/hoja-referencia-aprendizaje-automaEco-consejos-trucos
Navarro F, Dapper H, Asadpour R, Knebel C, Spraker MB, Schwarze V, et al. Development and external validation of deep-learning-based tumor grading models in soft-tissue sarcoma patients using MR imaging. Cancers (Basel) 2021;13(12):2866. https://doi.org/10.3390/cancers13122866
Coindre JM, Terrier P, Guillou L, Le Doussal V, Collin F, Ranchère D, et al. Predictive value of grade for metastasis development in the main histologic types of adult soft tissue sarcomas: a study of 1240 patients from the French Federation of Cancer Centers Sarcoma Group. Cancer 2001;91(10):1914-26.
https://doi.org/10.1002/1097-0142(20010515)91:10<1914::aid-cncr1214>3.0.co;2-3
La aceptación del manuscrito por parte de la revista implica la no presentación simultánea a otras revistas u órganos editoriales. La RAAOT se encuentra bajo la licencia Creative Commons 4.0. Atribución-NoComercial-CompartirIgual (http://creativecommons.org/licenses/by-nc-sa/4.0/deed.es). Se puede compartir, copiar, distribuir, alterar, transformar, generar una obra derivada, ejecutar y comunicar públicamente la obra, siempre que: a) se cite la autoría y la fuente original de su publicación (revista, editorial y URL de la obra); b) no se usen para fines comerciales; c) se mantengan los mismos términos de la licencia.
En caso de que el manuscrito sea aprobado para su próxima publicación, los autores conservan los derechos de autor y cederán a la revista los derechos de la publicación, edición, reproducción, distribución, exhibición y comunicación a nivel nacional e internacional en las diferentes bases de datos, repositorios y portales.
Se deja constancia que el referido artículo es inédito y que no está en espera de impresión en alguna otra publicación nacional o extranjera.
Por la presente, acepta/n las modificaciones que sean necesarias, sugeridas en la revisión por los pares (referato), para adaptar el trabajo al estilo y modalidad de publicación de la Revista.
