Classificação computadorizada de imagens de ressonância magnética da coluna vertebral para diferenciação de fraturas vertebrais por compressão benignas e malignas utilizando uma abordagem 3D

• Ano de defesa: 2022
• Autor(a) principal: Correia, Natália Santana Chiari
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Artificial neural network; Atributos radiômicos; Coluna vertebral; Fraturas vertebrais por compressão; Machine learning; MRI; Radiomic features; Redes neurais artificiais; Ressonância magnética; Spine; Vertebral compression fractures
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/17/17138/tde-12072022-153129/

Introdução: O estudo para diferenciação de fraturas vertebrais por compressão (FVCs) benignas (secundárias à osteoporose) e malignas (secundárias à infiltração neoplásica) tem sido objeto de pesquisa por mais de 20 anos e os critérios utilizados para realizar o diagnóstico diferencial em exames de ressonância magnética (RM), que é a modalidade mais relevante para o diagnóstico de doenças malignas da coluna vertebral, ainda são considerados inespecíficos. A Radiômica, que é a prática de extrair características quantitativas de imagens médicas para gerar dados que possam ser analisados por meio de técnicas de mineração, tem obtido ótimos resultados na criação de modelos para predição diagnóstica, prognóstica e de resposta à terapia. Assim, nosso objetivo nesse trabalho foi utilizar a abordagem radiômica para extrair informações quantitativas tridimensionais de exames de RM da coluna vertebral e investigar a possibilidade de encontrar uma assinatura radiômica que, associada a um modelo computacional, fosse capaz de diferenciar FVCs malignas e benignas. Material e Métodos: Este estudo retrospectivo analisou exames de RM da coluna lombar na sequência sagital ponderada em T1 de 91 pacientes (36 homens e 55 mulheres, com idade média de 64,24 ± 11,75 anos), que foram diagnosticados com uma ou mais FVCs no período de 2010 a 2019 e que estavam sendo acompanhados no Hospital das Clínicas da Faculdade de Medicina de Ribeirão Preto (HCFMRP-USP). 146 corpos vertebrais foram segmentados e tiveram suas características quantitativas extraídas tridimensionalmente. Diferentes combinações metodológicas para cada etapa do reconhecimento de padrão em imagens foram exploradas e a configuração que obteve os melhores resultados foi a segmentação semiautomática realizada com o software 3D Slicer, a extração de atributos quantitativos tridimensionais utilizando a biblioteca PyRadiomics e a classificação com rede neural artificial Multilayer Perceptron. Para validar o modelo, foram utilizadas as técnicas de validação cruzada de 10 folds (validação interna) e a classificação de um conjunto de teste independente (validação externa). A avaliação foi realizada por meio das métricas de acurácia, área sob a curva ROC, sensibilidade e especificidade, com um intervalo de confiança de 95%. Resultados: O conjunto de treinamento foi formado por 100 corpos vertebrais fraturados (54 fraturas benignas e 46 malignas) provenientes de 61 pacientes com idade média de 63,2 ± 12,5 anos e o conjunto de teste compreendeu 30 corpos vertebrais fraturados (15 fraturas benignas e 15 malignas) provenientes de 30 pacientes com idade média de 66,4 ± 9,9 anos. No teste de validação interna, realizado entre 30 modelos gerados por meio da randomização do conjunto de dados, as médias para acurácia, AUC ROC, sensibilidade e especificidade foram, respectivamente, 90,97% (IC de 95%: 90,22%, 91,72%), 0,97 (IC de 95%: 0,966, 0,974), 89,36% (IC de 95%: 88,18%, 90,54%) e 92,33% (IC de 95%: 91,34%, 93,32%). Na validação interna do melhor modelo, essas mesmas métricas alcançaram os seguintes valores: acurácia = 95%, AUC ROC = 0,98, sensibilidade = 93,5% e especificidade = 96,3%. No teste de validação externa, por sua vez, os valores para acurácia, AUC ROC, sensibilidade e especificidade foram, respectivamente, 93,3%, 0.97, 93.3% e 93.3%. Conclusão: O modelo baseado em rede neural proposto neste estudo usando características radiômicas tridimensionais foi capaz de diferenciar fraturas vertebrais por compressão benignas e malignas com excelente desempenho, superando as limitações de estudos anteriores. Sua provável maior contribuição seria aumentar a eficiência diagnóstica dos radiologistas para essas duas condições clínicas, possibilitando uma eventual redução do número de biópsias realizadas e do tempo gasto para liberação do diagnóstico final.