Un algoritmo radiómico encuentra un biomarcador clave en el mieloma múltiple

Jul 05, 2023

4 de agosto de 2023: en pacientes con mieloma múltiple (MM), un algoritmo de aprendizaje automático radiómico de resonancia magnética puede identificar el estado de enfermedad residual mínima (ERM), un biomarcador relacionado con una supervivencia más larga, según un nuevo estudio publicado en Clinical Radiology.

Un grupo de investigadores dirigido por X. Xiong del Primer Hospital Afiliado de la Universidad de Soochow en Jiangsu, China, entrenó un algoritmo de aprendizaje automático para extraer y analizar características radiómicas en secuencias de imágenes ponderadas en T1 ponderadas en T1 y secuencias de imágenes ponderadas en T2 saturadas de grasa. en resonancia magnética de columna lumbar. En las pruebas, el modelo de mejor rendimiento, un clasificador de máquina de vectores de soporte lineal (SVM), arrojó un área bajo la curva (AUC) para el estado de MRD de hasta 0,8.

"El método de aprendizaje automático basado en SVM lineal puede ofrecer una herramienta no invasiva para discriminar el estado de ERM en MM", escribieron los autores.

Se considera que la MRS, un biomarcador emergente para MM, representa el nivel más profundo de respuesta al tratamiento para MM. Según los investigadores, estudios radiómicos recientes han demostrado potencial para predecir el estado citogenético de alto riesgo y evaluar la respuesta al tratamiento con MM. Sin embargo, ambos estudios habían utilizado pequeños conjuntos de datos.

En su estudio, los investigadores buscaron explorar la posibilidad de discriminar el estado de ERM en la resonancia magnética e identificar los mejores métodos de aprendizaje automático para optimizar el régimen de tratamiento clínico.

Los investigadores recopilaron retrospectivamente datos de 83 pacientes recién diagnosticados que habían recibido resonancia magnética de cuerpo entero antes de la terapia. De ellos, 59 se utilizaron para el entrenamiento del modelo y 24 se reservaron para la validación de los algoritmos.

Se desarrollaron modelos radiómicos basados ​​en imágenes ponderadas en T1 y secuencias de imágenes ponderadas en T2 saturadas de grasa utilizando cinco clasificadores diferentes: bosque aleatorio, vecino K más cercano, Bayes ingenuo, SVM lineal y SVM radial. Después de realizar el análisis de regresión logística, la relación de infiltrado de médula ósea fue la única característica retenida para el análisis radiómico.

Los investigadores también entrenaron un modelo tradicional basado en datos clínicos, incluida la edad, el sexo, la etapa del Sistema de Estadificación Internacional, el estado de hibridación fluorescente in situ (FISH), el nivel de proteína sérica, la proporción de infiltrado en la médula ósea, el calcio, la creatinina y la albúmina. Finalmente, desarrollaron un modelo combinado que incorpora análisis tanto de la radiómica como de las características clínicas.

En el conjunto de validación, el modelo radiómico lineal basado en SVM arrojó un AUC de 0,708 en las imágenes ponderadas en T1 y un AUC de 0,8 en las imágenes ponderadas en T2 saturadas de grasa, superando al modelo tradicional. Además, el modelo combinado no arrojó una diferencia estadísticamente significativa en el rendimiento con respecto al modelo radiómico.

"En resumen, los resultados actuales demuestran el rendimiento del análisis radiómico y el aprendizaje automático de la resonancia magnética, que pueden discriminar con precisión el estado de la ERM después del tratamiento de inducción", concluyeron los autores. "Como la investigación fue retrospectiva, se necesitan estudios prospectivos y análisis de múltiples puntos temporales para examinar más a fondo la capacidad de este método para discriminar el estado de ERM".

El estudio completo se puede encontrar aquí.