Cuantificación automática de la carga metabólica tumoral en imágenes de tomografía por emisión de positrones de 68Ga-PSMA en pacientes con carcinoma de próstata

Abstract

Contexto: El cáncer de próstata es el segundo tipo de cáncer más frecuente en hombres a nivel mundial, y su incidencia varía considerablemente según las regiones geográficas. En Latinoamérica, se estima que es el tercer tipo de cáncer más común y el más letal entre los hombres. Para un tratamiento efectivo, es crucial determinar con precisión la extensión de la enfermedad, y las imágenes PET/CT con radiotrazadores específicos del antígeno de membrana de próstata (PSMA) han demostrado ser útiles para este propósito. Estas imágenes también permiten medir la carga metabólica tumoral, un indicador importante para evaluar la respuesta al tratamiento, ya que una mayor carga metabólica se relaciona con un grado de malignidad más elevado y un posible avance de la enfermedad. No obstante, las imágenes PET/CT presentan desafíos debido a su baja resolución y alto ruido, lo que dificulta la delimitación precisa de la carga metabólica tumoral y requiere una considerable cantidad de tiempo. Los métodos comunes para esta delimitación son la interpretación visual y el uso de umbrales en software semiautomáticos, pero ambos presentan limitaciones y variabilidad dependiendo del observador o del umbral seleccionado. En el caso del cáncer de próstata metastásico, la delimitación manual es aún más compleja debido a la presencia de múltiples metástasis, lo que puede afectar la determinación de los tratamientos. Para afrontar estas dificultades, en este trabajo se han explorado enfoques basados en aprendizaje de máquina, que ofrecen una mayor precisión y se han revelado como una herramienta valiosa para mejorar la delimitación y cuantificación del MTB, brindando un método validado, reproducible y preciso para los centros oncológicos. Objetivo: El objeto de este trabajo fue cuantificar de forma automática la carga metabólica tumoral a través de algoritmos de aprendizaje de máquina en imágenes de tomografía por emisión de positrones de 68Ga-PSMA en pacientes diagnosticados con carcinoma de próstata. Metodología: Este trabajo adopto la metodología CRISP-DM (Cross Industry Standard Process of Data Mining) pero se realizaron adaptaciones donde fue necesario. Se recolectaron 100 exámenes PET/CT de 68Ga-PSMA en pacientes diagnosticados con carcinoma de próstata los cuales fueron anotados y estandarizados para después entrenar y evaluar una red neuronal convolucional con la arquitectura Attention U-NET en la tarea de la segmentación semántica de la carga metabólica tumoral. Resultados: Los resultados principales incluyen la creación de un modelo que puede cuantificar de manera automática la carga metabólica tumoral en exámenes PET/CT de 68Ga-PSMA en pacientes diagnosticados con carcinoma de próstata en la región de la pelvis. Este modelo destaca las captaciones en la próstata y los ganglios linfáticos. (Texto tomado de la fuente)

Context: Prostate cancer is the second most frequent type of cancer in men worldwide, and its incidence varies considerably according to geographical regions. In Latin America, it is estimated that it is the third most common type of cancer and the most lethal among men. For effective treatment, it is crucial to accurately determine the extent of the disease, and PET/CT imaging with prostate membrane antigen (PSMA)-specific radiotracers has proven useful for this purpose. These images also make it possible to measure the metabolic tumor burden, an important indicator to assess the response to treatment, since a higher metabolic burden is related to a higher degree of malignancy and a possible progression of the disease. However, PET/CT imaging presents challenges due to its low resolution and high noise, making precise delineation of metabolic tumor burden difficult and requiring a considerable amount of time. The common methods for this delimitation are visual interpretation and the use of thresholds in semi-automatic software, but both present limitations and variability depending on the observer or the selected threshold. In the case of metastatic prostate cancer, manual delimitation is even more complex due to the presence of multiple metastases, which can affect the determination of treatments. To face these difficulties, in this work we have explored approaches based on machine learning, which offer greater precision and have been revealed as a valuable tool to improve the delimitation and quantification of MTB, providing a validated, reproducible and precise method for cancer centers. Objective: The aim of this work was to automatically quantify the tumor metabolic burden through machine learning algorithms in 68Ga-PSMA positron emission tomography images in patients diagnosed with prostate carcinoma. Methodology: This work adopted the CRISP-DM (Cross Industry Standard Process of Data Mining) methodology, but adaptations were made where necessary. One hundred 68Ga-PSMA PET/CT scans were collected from patients diagnosed with prostate carcinoma, which were annotated and standardized to later train and evaluate a convolutional neural network with the Attention U-NET architecture in the task of semantic segmentation of metabolic tumor burden. Results: The main results include the creation of a model that can automatically quantify the metabolic tumor burden on 68Ga-PSMA PET/CT scans in patients diagnosed with prostate carcinoma in the pelvic region. This model highlights uptakes in the prostate and lymph nodes.