Resumen
Antecedentes
Evaluar la aplicabilidad clínica de los modelos de aprendizaje profundo (DL) basados en la segmentación automática para predecir preoperatoriamente la propagación del tumor a través de espacios de aire (STA) en el adenocarcinoma de pulmón en estadio I periférico (LUAD).
Métodos
Este estudio retrospectivo analizó los datos de pacientes que se sometieron a tratamiento quirúrgico para tumores pulmonares desde enero de 2022 hasta diciembre de 2023. Se introdujo un conjunto de validación externa para evaluar la generalización del modelo. El estudio utilizó características radiómicas convencionales y modelos DL para comparación. La segmentación de ROI se realizó utilizando la arquitectura VNET, y los modelos DL se desarrollaron con técnicas de aprendizaje y optimización de transferencia. Evaluamos la precisión diagnóstica de nuestros modelos a través de curvas de calibración, análisis de curvas de decisión y curvas ROC.
Resultados
El modelo DL basado en la segmentación automática logró un AUC de 0.880 (IC 95% 0.780–0.979), superando el modelo de radiomics convencional con un AUC de 0.833 (IC 95% 0.707–0.960). El modelo DL demostró un rendimiento superior tanto en la validación interna como en las cohortes de pruebas externas. Las curvas de calibración, el análisis de la curva de decisión y las curvas ROC confirmaron la precisión diagnóstica mejorada y la utilidad clínica del enfoque DL.
Conclusión
El modelo DL basado en la tecnología de segmentación automática muestra una promesa significativa al predecir preoperatoriamente los STA en la estadio I Luad periférico, superando los modelos tradicionales de radiómica en precisión diagnóstica y aplicabilidad clínica.
Número de ensayo clínico El ensayo clínico se registró el 22 de abril de 2024, con el número de registro Researchregistry10213 (www.researchregistry.com).
Introducción
En 2015, la Organización Mundial de la Salud introdujo el concepto de propagación tumoral a través de espacios de aire (STA) en su clasificación de cáncer de pulmón (1). Estudios posteriores han confirmado que STA es un factor de riesgo independiente para la recurrencia en pacientes con adenocarcinoma de pulmón en estadio I (LUAD) que se someten a resección de sublobar (2). Eguchi (3) sugirieron que para los pacientes con LUAD en estadio T1 que son Positivos STAS, la lobectomía ofrece mayores beneficios de supervivencia en comparación con la resección de sublobar. Además, STAS también es un factor pronóstico adverso independiente para pacientes con estadio I luad (4, 5), significativamente asociado con la supervivencia sin recurrencia (6). Por lo tanto, la identificación preoperatoria precisa de STA es crítica para la planificación quirúrgica y la evaluación pronóstica en la etapa I luad.
Los estudios actuales indican que el análisis de la sección congelada intraoperatoria (FS) tiene una sensibilidad del 50% y un valor predictivo negativo de solo el 8%, lo que lo hace subóptimo para diagnosticar STA (7). La eficacia limitada del diagnóstico de FS intraoperatorio de STA puede afectar el alcance de la resección y la elección del método quirúrgico (8, 9). Además, debido a la dificultad de obtener muestras de tejido vivo para el diagnóstico patológico de células tumorales dentro de los espacios alveolares o de aire, la biopsia percutánea preoperatoria también es inadecuada para el diagnóstico definitivo de STAS. Por lo tanto, existe una necesidad urgente de un método preoperatorio más preciso para diagnosticar STA.
Recientemente, las herramientas de aprendizaje profundo basado en imágenes (DL) en el campo de la visión por computadora han ganado una atención significativa. Estas herramientas han mostrado una gran promesa para cuantificar la heterogeneidad del cáncer de pulmón en etapa temprana y proporcionar posibles características de imágenes clínicas para la estratificación del paciente. Por ejemplo, las evaluaciones de probabilidad clínica de malignidad clínica basadas en la radiómica han demostrado un potencial considerable (10, 11). La delineación tumoral precisa es una prioridad en Radiomics; Sin embargo, quedan desafíos con respecto a la precisión y la reproducibilidad de la delineación de la lesión de cáncer de pulmón en etapa temprana y la robustez de la extracción de características radiómicas (12).
Para abordar estos desafíos, las redes neuronales convolucionales profundas (CNN) han logrado un éxito significativo en la segmentación de imágenes médicas. Las imágenes de CT, que son datos volumétricos, requieren una utilización completa de la información espacial (13, 14). Además, dos desafíos principales en el campo incluyen: (1) escasez de etiquetas debido al costo de las anotaciones por parte de expertos en dominios experimentados, y (2) el mayor riesgo de sobreajuste debido al aumento de los números de parámetros.
Este estudio propone un nuevo marco de aprendizaje profundo que combina la segmentación automática y los modelos de predicción para abordar estos problemas. Específicamente, empleamos la arquitectura VNET para la segmentación automática de ROI y modelos basados en RETNE con aprendizaje de transferencia para predicción STA. Nuestro enfoque evalúa el rendimiento diagnóstico de los modelos de aprendizaje profundo en comparación con los modelos convencionales basados en radiómica. Presumimos que los modelos de aprendizaje profundo, cuando se combinan con las técnicas de segmentación automática, superarán a los modelos de radiomics en términos de precisión diagnóstica y aplicabilidad clínica.
El objetivo principal de este estudio es explorar la viabilidad y la precisión del uso de la segmentación automática combinada con el aprendizaje profundo para predecir STA preoperatoriamente en la Luad de la Etapa I periférica. Este estudio también evalúa la utilidad clínica de combinar estas técnicas para proporcionar un flujo de trabajo de diagnóstico no invasivo, reproducible y eficiente para aplicaciones de oncología torácica.
Materiales y métodos
Diseño de estudio y conjunto de datos
Este estudio retrospectivo analizó los datos recopilados desde enero de 2022 hasta diciembre de 2023. Se obtuvieron datos clínicos y radiológicos de pacientes que se sometieron a tratamiento quirúrgico para tumores pulmonares en nuestra institución, suplementados con un conjunto de validación externa de otro hospital. Los criterios de inclusión fueron los siguientes: (i) Etapa clínica T1-T2AN0M0 según la octava edición del Manual de estadificación del Comité Americano Conjunto sobre Cáncer (15); (ii) tumores ubicados en los dos tercios exteriores del campo pulmonar en imágenes axiales de TC torácicas, con el centro tumoral dentro de esta área especificada; (iii) resección radical para el cáncer de pulmón y la disección sistemática de ganglios linfáticos con un mínimo de seis ganglios linfáticos extirpados; (iv) Diagnóstico patológico postoperatorio confirmado como adenocarcinoma. Los criterios de exclusión incluyeron: (i) múltiples lesiones neoplásicas pulmonares diagnosticadas preoperatorias o síncronos cánceres de pulmón primarios o múltiples (más de dos lesiones) identificados después de la operación; (ii) exposición preoperatoria a radioterapia, quimioterapia, inmunoterapia o terapia dirigida para el cáncer; (iii) Una historia de otros tumores malignos en los últimos tres años.
El estudio recibió la aprobación de la Junta de Revisión Institucional local (2023–02–027-K01) y se adhirió a la Declaración de Helsinki. Los consentimientos informados fueron renunciados por el comité debido a la naturaleza retrospectiva y anónima de este estudio. El estudio se registró en el Registro de Investigación (ResearchRegistry10213). Se mantuvo el cumplimiento de la lista de verificación para la evaluación de las directrices de investigación de radiómica (CLEAR) (16, 17).
Preprocesamiento y segmentación de imágenes
Todos los escaneos CT se realizaron utilizando GE Discovery 750HD, definición de somatom de Siemens como escáneres de flash de definición somatom, que abarcan desde el ápice hasta la base de los pulmones. Los pacientes se colocaron en supino, con parámetros de escaneo establecidos a un voltaje de tubo de 120 kV y una corriente de tubo automática que varía de 80 a 350 mA. El grosor y el intervalo de la porción de escaneo estándar fueron 5 mm, con un espesor de corte reconstruido y un intervalo de 0.6-0.625 mm. Las imágenes se analizaron utilizando tanto la configuración de pulmón (ancho de ventana 1500 HU, nivel de ventana – 450 HU) y mediastinal (ancho de la ventana 350 Hu, nivel de ventana 35 HU).
Para la segmentación, la arquitectura VNET se empleó para delinear automáticamente regiones de interés (ROI) dentro de los volúmenes de CT. El modelo VNET fue entrenado para 300 épocas utilizando un tamaño por lotes de 16, el Optimizer Adam con una tasa de aprendizaje de 0.001 y la función de pérdida de dados. Cada capa consistió en operaciones convolucionales 3D con tamaños de núcleo de 3 × 3 × 3, seguido de la activación de RELU y la normalización por lotes. Se implementó un mecanismo de detención temprana para preservar las configuraciones del modelo más eficientes. Los ROI predichos se validaron utilizando métricas como el coeficiente de similitud de dados (DSC) y la intersección sobre la Unión (IOU). La visualización de los resultados de la segmentación, incluidas las marcas de verdad en tierra, se muestra en la sección de resultados con las métricas correspondientes. Las metodologías detalladas utilizadas para la capacitación se describen en el material complementario 1A.
Extracción de características de radiomics y construcción del modelo
Las características radiómicas hechas a mano se extrajeron utilizando piradiomics (http://pyradiomics.readthedocs.io) (18). Estas características incluyen atributos geométricos, de intensidad y basados en textura, como la matriz de concurrencia a nivel de gris (GLCM), matriz de longitud de ejecución de nivel de nivel gris (GLRLM), matriz de zona de tamaño de nivel de gris (GLSZM) y matriz de diferencia de tono gris del vecindario (NGTDM). Se extrajeron un total de 1834 características y se normalizó el puntaje Z. Las características se filtraron en función de la significación estadística (P <0.05) y el coeficiente de correlación de Pearson (<0.9). La regresión de lasso se aplicó luego para construir la firma de Radiomics, seleccionando características a través de diez veces validación cruzada. El modelo logró el más alto rendimiento en la cohorte de validación se eligió para la comparación. Para el enfoque de Radiomics, las características se extrajeron de todas las rebanadas que contienen el tumor, y las características se agregaron para obtener una puntuación de caso.
Marco de aprendizaje profundo
El marco de aprendizaje profundo se diseñó utilizando la arquitectura Resnet con el aprendizaje de transferencia. Los volúmenes de ROI generados por la segmentación VNET se volvieron a muestrear primero a una resolución espacial uniforme de 0.625 × 0.625 × 0.625 mm3 usando interpolación trilineal. Los volúmenes interpolados se recortaron a un tamaño fijo de vóxeles (96, 96, 96) centrados en el centroide tumoral, lo que garantiza la preservación de las relaciones espaciales. La normalización de la intensidad se realizó mediante anotación Z (μ = 0, σ = 1) en todo el volumen. Para mejorar la robustez contra la variabilidad de la segmentación, el cultivo aleatorio se implementó con el cálculo de la región dinámica …
(Tagstotranslate) Radiomics (T) Aprendizaje profundo (T) adenocarcinoma de pulmón (T) Tumor diseminado a través de espacios de aire (T) Sistema de neumología/respiratoria
