Análisis de características radiómicas en imágenes de F-18-FDG PET y Resonancia Magnética multiparamétrica como predictores de la respuesta al tratamiento de quimioterapia neoadyuvante en cáncer de mama

Abstract

El propósito de este estudio fue evaluar si las características radiómicas derivadas de imágenes de F-18 FDG PET y los mapas de ADC obtenidos por resonancia magnética (RM) son capaces de predecir la respuesta patológica completa (pCR) a la quimioterapia neoadyuvante (QNA) en pacientes con cáncer de mama localmente avanzado. 30 pacientes sin tratamiento previo sometidas a PET con F18-FDG y RM fueron incluidas en este estudio. Los especímenes de la biopsia pretratamiento fueron usados para extraer las características inmunohistoquímicas del tumor. Los resultados histopatológicos del tumor resecado post QNA fueron usados para clasificar entre pCR y No-pCR. 1702 características radiómicas y 4 por biopsia fueron extraídas. La reproducibilidad ante la variabilidad intra- e inter-observador fue evaluada usando el coeficiente de correlación intraclase ICC>0.9. La reducción de la dimensionalidad fue realizada por selección de mínima redundancia y máxima relevancia. Tres métodos: Boruta, Wilcoxon y un modelo Random Forest fueron implementados para seleccionar las características más importantes. Un modelo de aprendizaje supervisado por Random Forest con validación cruzada por Leave-One-Out fue implementado. El mayor rendimiento fue obtenido por la característica de PET “wavelet-HHL_glcm_Imc1” (AUC=0.78; IC95%: 0.70-0.87; sensibilidad: 50%; especificidad: 91%) que también fue la de mayor robustez entre los modelos de selección. El método de muestreo sintético adaptativo (ADASYN) fue implementado para balancear las clases y el modelo combinado entre la expresión de receptores de estrógenos (RE) obtenida por biopsia y la característica de PET “wavelet-HHL_glcm_Imc1” obtuvo el mejor rendimiento (AUC=0.95; sensibilidad=90%; especificidad=86%). El análisis radiómico combinado tiene el potencial para predecir la pCR a la QNA en pacientes con Ca de mama localmente avanzado y mejorar la estratificación preterapéutica. En este trabajo se ha desarrollado un flujo de trabajo radiómico robusto y reproducible para su implementación. (Texto tomado de la fuente).

Background: The aim of this study was to assess whether 18F FDG and multiparametric MRI-based radiomics analysis is able to predict pathological complete response (pCR) to neoadjuvant chemotherapy (NAC) in breast cancer patients. Methods: A total of 30 female patients with locally advanced breast cancer proven by biopsy were included in this prospective study. All PET and MRI datasets were imported to dedicated software 3DSlicer (v. 4.11) for lesion annotation using a semiautomated method. Pretreatment biopsy specimens were used to determine tumour histology, tumor and nuclear grades, and immunohistochemical status. Histopathological results from surgical tumour specimens were used as the reference standard to distinguish between pCR and non-pCR. 1702 radiomics features were extracted using pyradiomics and 4 features from biopsy. The dimensionality reduction was achieved by minimum redundancy-maximum relevance. Three methods: Boruta, Wilcoxon and machine learning Random Forest were used to select the most important features. A supervised machine learning model with Random Forest and cross validated by Leave-One-Out was implemented. Results: The best performance was obtained by the PET feature “wavelet-HHL_glcm_Imc1” (AUC=0.78; IC95%: 0.70-0.87; sensibility=50%, specificity=91%) which was also the most robust among the selection models. The data were subsequently balanced using the method adaptive synthetic sampling (ADASYN) and better values in all metrics were obtained (AUC=0.95). The adaptive synthetic sampling (ADASYN) method to balance the classes was implemented and the best performance was obtained by the combined model between the expression of estrogen receptors (ER) and the PET feature “waveletHHL_glcm_Imc1” (AUC=0.95; sensibility=90%; specificity=86%). Conclusion: multiparametric radiomic features demonstrated ability as imaging biomarkers to predict the pCR to NAC in locally advanced breast cancer patients and hence potentially enhance pretherapeutic patient stratification.