Tumor heterogeneity in PET-CT images

Abstract

El cáncer es una de las principales causas de morbilidad y mortalidad. Los más frecuentes son el carcinoma de pulmón de células no pequeñas (NSCLC) y el de mama. La heterogeneidad tumoral (HT) está implicada en el fracaso terapéutico, con peores resultados clínicos para tumores más heterogéneos, y origina subregiones tumorales con diferente comportamiento biológico, lo cual se puede apreciar en las imágenes médicas (IM) como la tomografía por emisión de positrones/tomografía computarizada con fluorodesoxiglucosa (18F-FDG-PET/CT), que usualmente usa parámetros metabólicos semicuantitativos como valor de captación estándar máximo (SUVmáx) o volumen tumoral metabólico, los cuales tienen valor pronóstico en varios cánceres, pero no evalúan la HT. Sin embargo, esta evaluación podría permitir mejorar el poder predictivo de las IM. Además, la 18F-FDG-PET/CT es útil en la diferenciación de nódulos pulmonares solitarios (NPS) malignos y benignos, reduciendo el número de pacientes que van a biopsias quirúrgicas innecesarias. El proceso de extraer y relacionar características de imagen (CI) con variables clínicas o biológicas se denomina ¿Radiomica¿. Algunos parámetros radiómicos como la textura, se han relacionado directamente con la HT. Esta tesis investigó las relaciones entre HT, evaluada mediante análisis de textura (AT) de imágenes 18F-FDG-PET/CT, con parámetros metabólicos y estadificación patológica según el Joint Committee on Cancer (AJCC) en pacientes con NSCLC. Exploró el rendimiento diagnóstico de diferentes criterios metabólicos, morfológicos y clínicos para la clasificación del NPS. Además, se usaron CI extraídas de estudios 18F-FDG-PET/CT de pacientes con cáncer de mama recurrente/metastásico, para construir modelos predictivos de la respuesta a la quimioterapia; combinando varios métodos de selección de características (SC) y aprendizaje automático (ML). Para esto, se registraron variables como edad, sexo, características histopatológicas, estadio tumoral y respuesta al tratamiento. Las lesiones se segmentaron para obtener volúmenes de interés (VOI), que permitieron extraer parámetros metabolismo y texturales. En los pacientes con NSCLC se buscaron correlaciones estadísticas entre las diferentes variables. Para clasificar los NPS se utilizó una inspección visual (captación de 18F-FDG o no) y varias combinaciones de tamaño del nódulo y SUVmáx y se construyó un modelo predictivo de regresión logística. Las pacientes con cáncer de mama se clasificaron como respondedoras o no al tratamiento; de acuerdo con los criterios PET de respuesta en tumores sólidos (PERCIST). Los resultados del estudio mostraron que la HT en NSCLC se correlacionó con los parámetros metabólicos, y ambos se asocian con el diámetro macroscópico del tumor y la estadificación AJCC (factor pronóstico importante). Algunas características de textura no tienen una relación lineal con los parámetros metabólicos, haciéndolas más sensibles a la definición del volumen tumoral; lo que debe tenerse en cuenta antes de introducirlos en la práctica clínica. En pacientes con SPN, los métodos semicuantitativos no mejoraron la sensibilidad del análisis visual (Se=95%), con una especificidad muy limitada. El modelo logístico alcanzó el mejor rendimiento diagnóstico global (Se=87,5% y Sp=46,7%) , este a diferencia de otros, utilizó la variable SUVmáx, que resultó ser una variable independiente para predecir malignidad. Los modelos radiómicos pudieron predecir la respuesta al tratamiento en pacientes con cáncer de mama recurrente o metastásico. La combinación, Operador de Selección y Contracción Mínima Absoluta (LASSO) + Random Forest, tuvo el rendimiento más alto en la cohorte de validación (0,91%). Esta investigación comparativa puede ser una referencia importante en la identificación de métodos de aprendizaje automático confiables y efectivos para el pronóstico basado en radiómica en estos pacientes, y mostrando el gran potencial de la radiómica con PET/TC.