Radiômica e aprendizado de máquina para identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau

Abstract

Os gliomas representam em torno de 40% dos tumores cerebrais. Destes, 50% são de baixo grau, sendo representados quase que em sua totalidade por oligodendrogliomas e astrocitomas, ambos de grau II ou III. Tendo em vista que a codeleção cromossômica 1p/19q é um importante marcador tumoral de fator prognóstico (favorável) positivo nesses gliomas, propõe-se a utilizar a radiômica na análise de imagens como um abrangente quantificador de fenótipos tumorais não invasivos para identificar a codeleção cromossômica 1p/19q em gliomas de baixo grau. Trata-se de uma abordagem potencialmente utilizada em oncologia, auxiliando na detecção, diagnóstico e prognóstico do câncer, previsão de resposta ao tratamento e monitoramento do estado da doença. Por meio da plataforma PyRadiomics, que extrai características radiômicas que quantificam a intensidade, a forma e a textura da imagem do tumor em exames de ressonância magnética, utilizou-se um dataset com 159 pacientes diagnosticados com gliomas de baixo grau e extraiu-se 120 características. Em seguida implementou-se 4 experimentos onde foram aplicadas técnicas de pré-processamento de dados, tais como seleção, escalonamento, redimensionamento e aumento de dados, e aprendizado de máquina supervisionado. Após avaliação de um conjunto de dados de teste em cada experimento, obteve-se resultados promissores para acurácia, sensibilidade, especificidade, precisão, area sob a curva (AUC) e pontuação F1. Os mesmos mostram-se favoráveis quando comparados ao estado da arte. Este estudo descreve uma pesquisa exploratória cujos resultados ressaltam que a radiômica em conjunto com aprendizado de máquina configura uma abordagem promissora na identificação da codeleção cromossômica 1p/19q em gliomas de baixo grau.