Dados do Trabalho

Título

Diferenciação de Tumores Primários e Metastáticos Cerebrais Utilizando Técnicas de Aprendizado de Máquina

Introdução

Os tumores cerebrais são um grande desafio, tendo o seu diagnóstico definitivo a partir de uma biópsia no cérebro, o que traz risco de mortalidade (1). Assim, é necessário o desenvolvimento de estratégias alternativas para a diminuição de procedimentos invasivos. Desse modo, propomos uma nova abordagem de extração de parâmetros de textura e aprendizado de máquina (AM) aplicado a neuroimagens para diferenciação de tumores primários cerebrais e metástases cerebrais

Casuística e Métodos

Exames de ressonância magnética (RM) do encéfalo de pacientes entre 2018 e 2020 foram divididos em dois grupos: os tumores primários e os tumores metastáticos. Critérios de inclusão: Pacientes com diagnóstico de tumor confirmado por análise histopatológica. Critérios de exclusão: cirurgia antes da aquisição de imagens, lesões menores que 10 mm e malformações. Utilizamos sequências ponderadas em FLAIR, T1 e T2. Regiões de Interesse (ROIs) de 32 x 32 pixels foram inseridos dentro dos tumores, respeitando uma distância de pelo menos 0,5 mm das bordas. Para cada ROI, extraímos uma seleção de características estatísticas, incluindo as de primeira ordem e segunda ordem que foram utilizadas para classificar as lesões. Aplicamos três diferentes métodos de AM: Random Forest (RF), Neural Network (NN) e Logistic Regression (LR).

Resultados

Utilizamos 70% dos dados para treinamento e 30% para teste, com método de validação cruzada F10-fold. Utilizamos a área sob a curva ROC (AUC) para determinar a eficiência do modelo. Os resultados de AUC, em porcentagem, para diferenciação em FLAIR utilizando RF, NN e LR são de 98.4, 99.5 e 91.4, respectivamente; para T1, os valores de AUC são 98.9, 99.6, 87.5, respectivamente; e para T2 utilizando, os valores de AUC são 97.3, 98.7, 86.7, respectivamente. O método apresenta uma classificação confiável para investigação de lesões tumorais. As aplicações deste trabalho são valiosas e significativas na rotina clínica, auxiliando nas decisões clínicas dos radiologistas.

Conclusões

A ferramenta aqui desenvolvida obteve uma excelente diferenciação de até 99,6% AUC usando o NN na sequência T1. Conforme CARTER et al., 2016, podemos classificar os resultados superiores a 70% como razoáveis, os resultados superiores a 80% e como fortes, e os resultados superiores a 90% como excelentes (4). De maneira geral, os classificadores mostraram-se adequados para a diferenciação.

Palavras Chave

Tumores cerebrais; Ressonância Magnética; Aprendizado de Máquina, Analise de Texturas, Exames de imagem

Área

Inteligência Artificial, Inovação e Telerradiologia