Desarrollo de resonancia magnética

Scientific Reports volumen 13, Número de artículo: 1590 (2023) Citar este artículo

495 Accesos

1 Altmetric

Detalles de métricas

Un diagnóstico preciso e imparcial de las lesiones endometriales benignas y malignas es esencial para el ginecólogo, ya que cada tipo puede requerir un tratamiento distinto. La radiómica es un método cuantitativo que podría facilitar la extracción profunda de información y la cuantificación de la heterogeneidad en las imágenes, ayudando así a los médicos en el diagnóstico adecuado de lesiones. El objetivo de este estudio es desarrollar un modelo predictivo apropiado para la clasificación de lesiones endometriales benignas y malignas, y evaluar la posible aplicabilidad clínica del modelo. Finalmente se analizaron 139 pacientes con lesiones endometriales confirmadas patológicamente desde enero de 2018 hasta julio de 2020 en dos centros independientes (centro A y B). El centro A se usó para el conjunto de entrenamiento, mientras que el centro B se usó para el conjunto de prueba. Dos radiólogos dibujaron manualmente las lesiones en el corte más grande en función del área de la lesión. Después de la extracción y selección de características, las posibles asociaciones entre las características radiómicas y los parámetros clínicos se evaluaron mediante regresión logística univariable y multivariable. Se emplearon la curva característica del operador del receptor (ROC) y la validación de DeLong para evaluar el posible rendimiento predictivo de los modelos. Se utilizó el análisis de la curva de decisión (DCA) para evaluar el beneficio neto del nomograma radiómico. Se estableció un modelo de predicción de radiómica a partir de las 15 características seleccionadas, y se encontró que tenían una discriminación relativamente alta sobre la base del área bajo la curva ROC (AUC) para las cohortes de entrenamiento y prueba (AUC = 0,90 y 0,85, respectivamente) . El nomograma de radiómica también mostró un buen desempeño de discriminación tanto para las cohortes de entrenamiento como de prueba (AUC = 0,91 y 0,86, respectivamente), y la prueba de DeLong muestra que las AUC fueron significativamente diferentes entre los parámetros clínicos y el nomograma. El resultado de DCA demostró la utilidad clínica de este novedoso método de nomograma. El modelo predictivo construido en base a la radiómica de la resonancia magnética y los parámetros clínicos indicó una alta eficiencia diagnóstica, lo que implica su potencial utilidad clínica para la identificación y predicción precisas de lesiones endometriales.

Las lesiones endometriales son enfermedades comunes del sistema reproductor femenino que pueden causar infertilidad o provocar un sangrado uterino anormal1,2. Como consecuencia del envejecimiento de la población y el aumento de la tasa de obesidad3, la incidencia del cáncer de endometrio (CE) está aumentando rápidamente y se ha convertido en una de las neoplasias ginecológicas malignas más comúnmente diagnosticadas en el mundo desarrollado4. Como resultado de la tremenda ventaja de una resolución significativamente más alta, la resonancia magnética nuclear (RMN) podría ilustrar claramente las condiciones del endometrio, así como formar la base de la opción de imagenología para pacientes con CE recién diagnosticadas5. Sin embargo, una evaluación precisa y objetiva de las anomalías relacionadas con el endometrio podría plantear una serie de desafíos para los radiólogos y ginecólogos. Por un lado, el endometrio normal es un tejido dinámico, que puede verse influenciado predominantemente por la edad, el estado menopáusico, el ciclo menstrual y la terapia hormonal6. Además, se ha encontrado que los caracteres de imagen superpuestos y las características clínicas de las lesiones benignas y malignas pueden detectarse simultáneamente1,7. Los tamaños variables de las lesiones endometriales plantean un desafío significativo para un diagnóstico preciso; La presencia de lesiones grandes puede conducir a una apariencia anormal del endometrio y confundir el origen exacto de la histología, mientras que las lesiones pequeñas que frecuentemente se superponen con el tejido normal a menudo se ignoran8. También se ha encontrado que la ecografía transvaginal y la histeroscopia son útiles para el diagnóstico de lesiones endometriales, pero ambas dependen de la experiencia de los cirujanos involucrados8,9, lo que lleva a una subjetividad y variabilidad relativamente altas. Por lo tanto, una diferenciación exacta y precisa entre las lesiones endometriales benignas y malignas es importante para un tratamiento eficaz.

La radiómica, una ciencia en rápido desarrollo, que puede convertir eficazmente las imágenes digitales en datos de alta dimensión explotables y, por lo tanto, reflejar claramente la información biomédica subyacente tanto a las condiciones fisiopatológicas como a la heterogeneidad tumoral10,11. Ha sido ampliamente utilizado para monitorear la progresión de diversas enfermedades porque puede superar la deficiencia de interpretación de imágenes por parte de la percepción visual humana y, por lo tanto, generar información más objetiva y precisa10. Nuestro grupo ha utilizado previamente radiómica basada en TC para desarrollar un enfoque de diagnóstico automatizado para la detección de neoplasias malignas de ovario y obtuvo resultados satisfactorios12. Hay varios informes que se han centrado en la evaluación precisa de la evaluación preoperatoria de EC13,14,15. Sin embargo, también se necesita con urgencia un diagnóstico diferencial primario confiable de las lesiones endometriales para guiar al ginecólogo a seleccionar un tratamiento adecuado. En este estudio, planteamos la hipótesis de que los biomarcadores de imágenes podrían desarrollarse potencialmente de forma no invasiva para facilitar la diferenciación entre enfermedades benignas y malignas sobre la base de datos radiómicos basados ​​en resonancia magnética que se extrajeron de las lesiones endometriales primarias.

Este estudio retrospectivo fue realizado por dos centros independientes de forma conjunta (centro A y B). Durante enero de 2018 a julio de 2020, 164 pacientes consecutivos con lesiones endometriales diagnosticadas histológicamente con resonancia magnética preoperatoria se recolectaron de forma independiente en el centro A y B. Estas lesiones endometriales abarcaron enfermedades endometriales benignas y malignas, que incluyen EC, hiperplasia endometrial, miomas submucosos, pólipos endometriales y endometritis. Los criterios de inclusión utilizados fueron los siguientes: (1) pacientes femeninas con lesiones endometriales verificadas histopatológicamente, (2) pacientes sin antecedentes previos o actuales de malignidad que no sean tumores endometriales, (3) sin tratamiento sistémico preoperatorio, (4) resonancia magnética realizada dentro de los 30 días antes de la cirugía ginecológica. Los criterios de exclusión utilizados fueron los siguientes: (1) registros de imágenes de baja calidad (n = 3), (2) sin información quirúrgica (n = 12), (3) terapia sistémica preoperatoria (n = 3), (4) malignidad otra que EC (n = 2), (5) acompañadas de distintas lesiones benignas y malignas del endometrio (n = 5). Finalmente, un total de 139 pacientes se inscribieron en este estudio, incluidas 98 pacientes (con 46 y 52 pacientes con lesiones endometriales benignas y malignas respectivamente) tratadas en el centro A fueron asignadas a la cohorte de entrenamiento, mientras que las 41 pacientes (con 19 y 22 las pacientes correspondientes a lesión endometrial benigna y maligna respectivamente) tratadas en el centro B fueron asignadas a la cohorte de prueba. En la figura 1 se ilustra una descripción general del flujo de trabajo del estudio.

Un diagrama que representa una descripción general del flujo de trabajo del estudio.

Las imágenes de RM se obtuvieron utilizando el escáner 3 T Trio Siemens (centro A) y el escáner 3 T Magnetom Skyra Siemens (centro B) con bobinas abdominales de matriz en fase. Todos los pacientes debían respirar libremente en posición supina durante la adquisición de datos. Se obtuvieron las siguientes secuencias: imagen axial ponderada en T1 (T1WI), imagen axial ponderada en T2 (T2WI), imagen coronal y sagital ponderada en T2 con saturación de grasa (FS T2WI) e imagen ponderada en difusión (DWI) con valor ab de 0 y 800 s/mm2 con un mapa de coeficiente de dispersión aparente (ADC). Las imágenes FS T2WI se adquirieron usando eco de espín turbo con saturación de grasa (tiempo de repetición (TR)/tiempo de eco (TE) = 3960/84, matriz = 512 × 512, campo de visión (FOV) = 350 × 350 mm2, espesor de corte = 4,0 mm, promedio = 1, tamaño de vóxel = 0,8 × 0,8 × 4,0 mm3 para el centro A y TR/TE = 3200/101, matriz = 512 × 512, FOV = 207 × 207 mm2, espesor de corte = 4,0 mm, promedio = 2 , tamaño de vóxel = 0,6 × 0,6 × 4,0 mm3 para el centro B).

Todas las regiones de interés (ROI) se segmentaron utilizando el software ITK-SNAP (versión 3.8.0, www.itksnap.org) a partir de la imagen DICOM de referencia. La segmentación manual de la ROI se realizó a partir del corte de mayor diámetro de la lesión16 en secuencia sagital FS T2WI por un radiólogo (Lector A, con 5 años de experiencia en resonancia magnética abdominal) que desconocía los datos histopatológicos de los pacientes. Un mes después, otro radiólogo (Reader B, con 10 años de experiencia en resonancia magnética abdominal) seleccionó aleatoriamente imágenes obtenidas de 30 dibujos diferentes y repitió los ROI manuales. Las características extraídas de los ROI de dos lectores diferentes se calcularon utilizando el coeficiente de correlación intraclase (ICC).

El remuestreo espacial se realizó antes de la extracción de características. Los datos DICOM originales de FS T2WI sagital y los ROI 2D emparejados fueron remuestreados por 1 × 1 × 1 voxel. Las características radiómicas que incluyen histograma, factor de forma, Haralick, matriz de co-ocurrencia de nivel de gris (GLCM), matriz de tamaño de zona de nivel de gris (GLZSM) y matriz de longitud de ejecución de nivel de gris (GLRLM) fueron calculadas posteriormente por el software AK (Artificial Kit de inteligencia V 3.0.0R, GE Healthcare). Se calcularon GLCM y GLRLM en cuatro direcciones diferentes (0°, 45°, 90°, 135°) y tres compensaciones1,4,7 para describir la posible distribución espacial o patrones. Finalmente, cada ROI resultó en la extracción de 396 características distintas.

Se utilizaron tres pasos para el preprocesamiento de los datos. En primer lugar, se sustituyeron los valores atípicos por la mediana de las mismas características. En segundo lugar, se aplica la normalización de puntuación z para eliminar las diferencias en la escala de valores de las características. En tercer lugar, los pacientes tratados en el centro A fueron asignados al conjunto de entrenamiento (n = 98), y el conjunto de prueba consistió solo en pacientes del centro B (n = 41). Los centros A y B son dos instituciones diferentes con diferentes datos de pacientes y equipos de resonancia magnética, lo que es mejor para evaluar la generalización de los modelos usándolos como conjuntos de entrenamiento y prueba, respectivamente.

Antes de la reducción de funciones, se calculó el coeficiente de correlación intraclase (ICC) para cada función del Lector A y el Lector B para eliminar las funciones poco reproducibles y menos sólidas. Además, solo las características de la imagen con un ICC > 0,75 se consideraron características cualificadas, lo que indica una alta reproducibilidad y concordancia14, y se reservaron para cálculos posteriores.

El paquete de redundancia mínima de relevancia máxima (mRMR) en el software R (versión 3.4.4) se empleó para eliminar las características redundantes e irrelevantes preliminarmente en el conjunto de datos de entrenamiento, y se conservaron las 20 características más importantes. Se utilizó el algoritmo del operador de selección y contracción mínima absoluta (LASSO)17 para comprimir eficazmente los coeficientes de las características extraídas y hacer que los coeficientes de regresión se volvieran cero, mediante la construcción de una función de penalización específica, para lograr una reducción efectiva en las características adicionales. En este proceso, se utilizó la validación cruzada de diez veces para calcular con precisión el parámetro óptimo λ, que se obtuvo en el valor mínimo de la función objetivo del modelo de regresión LASSO.

Las características finales seleccionadas se utilizaron para construir el modelo radiómico, bajo el parámetro óptimo λ del algoritmo LASSO. La firma radiómica se obtuvo por la suma del producto de las características finales seleccionadas y el valor ponderado de sus correspondientes coeficientes, que fue equivalente a la puntuación radiómica (radscore).

En la cohorte de entrenamiento, se realizó una regresión logística univariante para evaluar potencialmente los diversos parámetros clínicos de lesiones endometriales, incluida la edad18, el índice de masa corporal (IMC)19,20, el estado de la menopausia21, así como las condiciones de hipertensión y diabetes22. Se utilizaron la regresión logística multivariante y la regresión por pasos para elegir el indicador significativo, para facilitar el desarrollo de un modelo de nomograma más completo y eficaz para la diferenciación de las enfermedades endometriales benignas y malignas. Además, se estableció el novedoso modelo de nomograma que combinaba parámetros clínicos y Radscore, basado en la regresión logística multivariada.

Se utilizó la curva de características operativas del receptor (ROC) para evaluar la capacidad discriminatoria de los modelos. Posteriormente, las pacientes de dos centros se clasificaron en grupos de probabilidad de malignidad o malignidad según los valores de corte de la curva ROC, y el método del nomograma podría indicar con precisión la probabilidad de aparición de malignidad endometrial. Se utilizaron la prueba de Hosmer-Lemeshow y las curvas de calibración para evaluar el rendimiento del modelo. Finalmente, también se realizó el análisis de la curva de decisión (DCA) para validar la factibilidad del nomograma.

El análisis estadístico se realizó utilizando el software SPSS 22.0 y el software R. Los datos de conteo entre las muestras se compararon mediante la prueba de χ2. La normalidad de los datos se verificó mediante la prueba de Kolmogorov-Smirnov. Todos los diferentes parámetros de los dos conjuntos de datos se compararon estadísticamente. Los datos distribuidos normalmente se analizaron mediante la prueba t, y los datos distribuidos sesgados se analizaron mediante la prueba U de Mann-Whitney. La eficiencia diagnóstica predictiva de los modelos también se evaluó mediante el área bajo la curva ROC (AUC) y su intervalo de confianza del 95 % (IC del 95 %) para determinar la especificidad, la sensibilidad y la precisión de los datos.

Este estudio retrospectivo basado en el uso de datos anónimos fue aprobado por el Comité de Ética del Hospital Popular Provincial de Jiangxi y se eliminó el requisito de consentimiento informado. Todos los procedimientos realizados en estudios con participantes humanos se realizaron de acuerdo con los estándares éticos del comité de investigación institucional (Hospital Popular Provincial de Jiangxi) y/o nacional y con la declaración de Helsinki de 1964 y sus enmiendas posteriores o estándares éticos comparables.

En general, con respecto a los indicadores de edad, IMC, estado de la menopausia, prevalencia de hipertensión y diabetes, no se observaron diferencias significativas entre las cohortes de entrenamiento y prueba, como se muestra en la Tabla 1. Sin embargo, hubo diferencias estadísticas en los diversos parámetros clínicos (edad, menopausia) entre las enfermedades endometriales benignas y malignas para la cohorte de entrenamiento (p < 0,05), pero sin parámetros clínicos significativos para la cohorte de prueba (p > 0,05).

El modelo de predicción que consiste en el parámetro clínico para clasificar las lesiones endometriales benignas y malignas arrojó las siguientes métricas de desempeño. El AUC fue de 0,70 (con un IC del 95 % de 0,60 a 0,80) y se observó que la especificidad, la sensibilidad y la precisión fueron del 54,3, 80,8 y 68,4 %, respectivamente, en la cohorte de entrenamiento. Para la cohorte de prueba, el AUC fue de 0,65 (con un IC del 95 % de 0,49 a 0,81) y se encontró que la especificidad, la sensibilidad y la precisión fueron del 57,9, 72,7 y 65,9 %, respectivamente (consulte la Tabla 2).

Se eliminaron las características con ICC < 0,75, dejando 271/396 características (68,4 %). Después de la selección de las diversas características y la reducción de la dimensión, finalmente se seleccionaron las 15 características más importantes y se emplearon para la construcción del modelo de firma radiómica (ver Fig. 2). Los resultados indicaron un buen rendimiento de predicción tanto para los datos de entrenamiento como de prueba con solo diferencias marginales. Se encontró que el modelo de firma radiómica exhibió un rendimiento satisfactorio con valores de AUC de 0,90 (con un IC del 95 % 0,84–0,96) y 0,85 (con un IC del 95 % 0,72–0,98) en las cohortes de entrenamiento y prueba, valores de especificidad de 76,1 y 57,9%, valores de sensibilidad de 94,2 y 95,5% y valores de precisión de 85,7 y 78,0%, respectivamente (ver Tabla 2). El radscore mostró una discriminación significativamente mejor tanto en los datos de entrenamiento como de prueba, en comparación con el modelo de parámetros clínicos, lo que indica la alta potencia de la firma radiómica en el diagnóstico diferencial de enfermedades endometriales (Fig. 3).

La selección de las diversas características y la reducción de dimensiones se realizó mediante el método LASSO. (a) Se utilizó una validación cruzada de diez veces para elegir el parámetro óptimo (λ) con los criterios mínimos, determinando así el número de características. (b) Coeficientes para el parámetro óptimo (λ). Se dibujó una línea vertical en el valor seleccionado de log (λ) y mostró los coeficientes distintos de cero. (c) Las características finales seleccionadas y los coeficientes correspondientes.

Comparación de Radscore de las lesiones endometriales benignas y malignas en la cohorte de entrenamiento y prueba, respectivamente (izquierda: cohorte de entrenamiento; derecha: cohorte de prueba).

La edad, la menopausia y la hipertensión se filtraron posteriormente como posibles predictores clínicos de lesiones endometriales mediante el uso de un modelo de regresión logística univariante (p < 0,1). Para la identificación adecuada de enfermedades endometriales benignas y malignas en pacientes, se seleccionó el subconjunto de parámetros clínicos más predictivo (edad y menopausia) ya que obtuvo el valor más pequeño del criterio de información de Akaike (AIC) en la regresión por pasos. La regresión logística multivariante finalmente arrojó los tres predictores significativos, incluidos el radscore, la edad, la menopausia, y condujo a la construcción de un modelo de predicción y un nomograma más completos y sólidos (Fig. 4).

( a ) Un nomograma de radiómica para determinar la discriminación entre lesiones endometriales benignas y malignas, que se desarrolló en la cohorte de entrenamiento. (b) Las curvas de calibración del conjunto de entrenamiento (izquierda) y el conjunto de prueba (derecha).

El nomograma radiómico mostró un excelente potencial de calibración en la predicción de las propiedades de las lesiones endometriales a través de las curvas de calibración para las cohortes de entrenamiento y prueba (Fig. 4), pero la prueba de Hosmer-Lemeshow no indicó significación estadística (p> 0.05). Las AUC del nomograma radiómico fueron 0,91 (con un IC del 95 % 0,86–0,97) y 0,86 (con un IC del 95 % 0,74–0,98) para los conjuntos de entrenamiento y prueba respectivamente (Fig. 5). La especificidad, la sensibilidad y la precisión fueron 91,3, 75,0, 82,7 % para el conjunto de entrenamiento y 76,2 %, 85,0 %, 80,5 % para el conjunto de prueba, respectivamente (Tabla 2).

(a) La curva ROC y los valores AUC correspondientes para el nomograma, la firma radiómica y los modelos de parámetros clínicos para la identificación de las lesiones endometriales benignas y malignas (izquierda: cohorte de entrenamiento; derecha: cohorte de prueba). (b) El análisis de la curva de decisión se utilizó para evaluar el beneficio clínico de los modelos. Las líneas verde, azul y roja corresponden a los modelos de parámetros clínicos, firma radiómica y nomograma radiómico respectivamente. La línea negra representa una situación extrema donde todos los indicadores son positivos, mientras que la línea roja horizontal representa la otra situación extrema donde todos los indicadores analizados son negativos.

Según los resultados de la prueba de DeLong, se observó que las AUC de los modelos eran significativamente diferentes entre los índices clínicos y el nomograma tanto en las cohortes de entrenamiento como de prueba (p < 0,05, consulte la Tabla 3), lo que indicó un rendimiento de predicción favorable para el nomograma en ambas cohortes. Además, según el valor de corte de 0,566 para el índice de Youden, el nomograma podría potencialmente evaluar la puntuación de riesgo de lesiones endometriales y facilitar la categorización de las pacientes en grupos de bajo y alto riesgo. La Figura 5 representa el gráfico DCA del nomograma radiómico. Los resultados indicaron un desempeño de predicción de riesgo más excelente del método de nomograma desarrollado en comparación con el modelo de parámetros clínicos.

El principal resultado de este estudio fue la construcción de un modelo de clasificación novedoso basado en la radiómica, que puede diferenciar eficazmente a las pacientes con lesiones endometriales benignas y malignas. Tanto el modelo de nomograma como el de radiómica muestran una mayor eficiencia que el modelo de parámetros clínicos, lo que implica el valor clínico de la detección preoperatoria y no invasiva de EC. Aunque los modelos de nomograma y radiómica exhiben un valor de AUC comparable, el nomograma podría cuantificar la probabilidad de riesgo de lesiones endometriales en lugar de características ilegibles de alta dimensión.

La robustez de las características extraídas de las imágenes es esencial para el desarrollo de la radiómica. La segmentación de objetivos, la extracción de características, la selección de características y la implementación del modelo de clasificación se ven afectadas por la alta variabilidad inter e intraobservador23. Elegimos la segmentación manual porque el conjunto de datos de este estudio es relativamente pequeño y el ICC se calculó para mejorar la solidez y la reproducibilidad de las características. Los radiólogos pueden delinear los objetivos de forma flexible de forma manual, lo que da como resultado una segmentación muy precisa, y la segmentación manual es una forma más intuitiva y fácil de implementar de obtener una lesión objetivo. Sin embargo, la segmentación manual requiere mucho trabajo, requiere mucho tiempo y no siempre es factible para el análisis radiómico que requiere grandes conjuntos de datos. El uso de un método de segmentación automático o semiautomático podría superar el problema de la fuerte dependencia del operador. Por lo tanto, la mayoría de los estudios radiómicos con grandes conjuntos de datos se basaron en métodos de segmentación automáticos o semiautomáticos. Muchos algoritmos de delimitación semiautomáticos, como el crecimiento de regiones o el umbral, se utilizan en el entorno clínico, aunque son menos precisos que la segmentación manual24.

El estudio se centró en imágenes FS T2WI para la extracción de datos de radiómica, ya que hubo demostraciones informativas en estudios de radiómica informados previamente25,26. Además, las imágenes ADC poseen un alto requisito de uniformidad del campo magnético y se ha descubierto que son más susceptibles a los artefactos, especialmente en la región pélvica13. El T1WI mejorado con material de contraste dinámico no se consideró como la secuencia convencional para algunas enfermedades endometriales benignas. En este documento, las 15 funciones extraídas estaban compuestas por los diferentes parámetros de Factor de forma, Haralick, GLRLM y GLCM. Las características del factor de forma incluyeron descriptores detallados del tamaño tridimensional y la forma de la región de la lesión27, lo que indica el papel del tamaño de la lesión como un predictor importante del diagnóstico diferencial de las enfermedades del endometrio28. Las características de GLCM también podrían describir la complejidad y el cambio de nivel en los valores al cuantificar la distribución de la matriz de co-ocurrencia29. La entropía y la inercia de GLCM pueden reflejar tanto la aleatoriedad de la imagen de intensidad como la claridad de la imagen, respectivamente. Además, la energía de los parámetros GLCM y Haralick enfatizaron la uniformidad, conocida como homogeneidad local29. Las características de CLRLM reflejan principalmente la rugosidad y la direccionalidad de la textura30.

El análisis de radiómica ya se ha aplicado contra los trastornos endometriales y mostró resultados superiores, especialmente para EC. Por ejemplo, Yan et al. construyó un modelo radiómico, que podía evaluar con precisión las condiciones de los ganglios linfáticos pélvicos, ayudando así con el diagnóstico preoperatorio de metástasis linfáticas de EC31. Además, otro estudio desarrolló modelos innovadores de aprendizaje automático de radiómica clínica e intentó identificar las diversas anomalías moleculares de EC a partir de imágenes de TC mejoradas con contraste de forma no invasiva32. La principal ventaja del nomograma es que los resultados pueden proporcionar la estratificación exacta del riesgo con una imagen de resonancia magnética general. Los resultados del nomograma contienen una probabilidad objetiva y específica de las puntuaciones correctas de EC9, incluso si el modelo no puede ser el nivel ideal de patología y la clasificación errónea es inevitable. Se ha encontrado que a veces puede ser difícil para los radiólogos y ginecólogos dar un juicio específico para sus diagnósticos antes de la operación. La capacidad de utilizar la probabilidad objetiva es de gran beneficio para el diagnóstico que podría compensar el error de juicio por parte de los médicos. Además, dado que el nomograma puede proporcionar información definitiva sobre estos factores de alto riesgo de las imágenes de RM antes del tratamiento, podría ayudar a evaluar de manera efectiva a los pacientes con CE que podrían requerir una cirugía más extensa con estratificación de riesgo preoperatorio para una selección óptima y, al mismo tiempo, minimizar el sobretratamiento. de pacientes de bajo riesgo.

Hay pocas limitaciones asociadas con este estudio. En primer lugar, el número de pacientes reclutadas fue relativamente pequeño, especialmente en el caso de pacientes con lesiones endometriales benignas que incluían varios subtipos. Además, solo se analizaron cinco tipos comunes de lesiones endometriales en el estudio y no se incluyeron los casos con baja incidencia. En segundo lugar, el estudio no realizó el análisis volumétrico, porque requiere mucho más tiempo y esfuerzo. Por lo tanto, algunas características importantes relacionadas con la heterogeneidad intrínseca podrían haberse pasado por alto en el método bidimensional. La falta de estudio multiimagen es otra de las principales limitaciones. Teóricamente, todas las secuencias de resonancia magnética pueden extraerse para obtener una gran cantidad de información. También se necesita una validación adicional utilizando estudios prospectivos. También podría ser esencial confirmar la solidez y la aplicabilidad del modelo de predicción, evitando cuidadosamente los sesgos intrínsecos y el sobreajuste33. Por lo tanto, se necesitará un conjunto de datos más grande y rico para fortalecer significativamente nuestro modelo y validar aún más la capacidad de generalización, de modo que el modelo pueda aplicarse con éxito a varias condiciones diferentes.

Este estudio construyó un modelo de nomograma visualizado mediante la combinación de firmas radiómicas y los parámetros clínicos. El modelo de nomograma exhibió un enorme valor de aplicación clínica en la predicción de la probabilidad objetiva de clasificación de lesiones endometriales de forma no invasiva y, por lo tanto, puede ayudar a los ginecólogos a evaluar y diseñar estrategias de tratamiento personalizadas. Sin embargo, se deben hacer más esfuerzos para mejorar aún más las aplicaciones y la solidez del modelo, de modo que pueda convertirse en una herramienta real de estratificación de riesgo para su uso en pacientes con lesiones endometriales en la clínica.

Los conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

Coeficiente de dispersión aparente

Criterio de información de Akaike

Área bajo la curva característica de funcionamiento del receptor

Índice de masa corporal

Intervalo de confianza

Tomografía computarizada

Análisis de la curva de decisión

Imágenes ponderadas por difusión

Cáncer endometrial

Campo de visión

Imagen potenciada en T2 con saturación de grasa

Matriz de co-ocurrencia de niveles grises

Matriz de longitud de ejecución de nivel gris

Matriz de tamaño de zona de nivel de gris

Coeficiente de correlación intraclase

El operador de selección y contracción mínima absoluta

Imagen de resonancia magnética

Máxima relevancia mínima redundancia

Característica de funcionamiento del receptor

Region de interes

tiempo de eco

tiempo de repetición

Imagen ponderada en T1

Imagen ponderada en T2

Bacon, JL Sangrado uterino anormal: Clasificación actual y manejo clínico. obstetra ginecol. clin. am del norte 44(2), 179 (2017).

Artículo Google Académico

Vander Borght, M. & Wyns, C. Fertilidad e infertilidad: definición y epidemiología. clin. Bioquímica 62, 2–10 (2018).

Artículo Google Académico

Bafligil, C. et al. Asociación entre polimorfismos genéticos y riesgo de cáncer de endometrio: una revisión sistemática. J.Med. Gineta. 57(9), 591–600 (2020).

Artículo CAS Google Académico

Siegel, RL, Miller, KD y Jemal, A. Estadísticas de cáncer, 2019. CA: A Cancer J. Clin. 69(1), 7–34 (2019).

Google Académico

Nougaret, S. et al. Estadificación por resonancia magnética del cáncer de endometrio: Directrices actualizadas de la Sociedad Europea de Radiología Urogenital. EUR. Radiol. 29(2), 792–805 (2019).

Artículo Google Académico

Nalaboff, KM, Pellerito, JS & Ben-Levi, E. Imágenes del endometrio: enfermedad y variantes normales. Radiografías 21(6), 1409–1424 (2001).

Artículo CAS Google Académico

Kierans, AS, Bennett, GL, Haghighi, M. & Rosenkrantz, AB Utilidad de las características de resonancia magnética convencional y ponderada por difusión para distinguir las lesiones endometriales benignas de las malignas. EUR. J. Radiol. 83(4), 726–732 (2014).

Artículo Google Académico

Bakir, B. et al. Papel de la resonancia magnética ponderada por difusión en el diagnóstico diferencial de cáncer de endometrio, pólipo, hiperplasia y engrosamiento fisiológico. clin. Imágenes 41, 86–94 (2017).

Artículo Google Académico

Zhang, Y. et al. Modelo de aprendizaje profundo para la clasificación de lesiones endometriales. J. traducción Medicina. 19(1), 10 (2021).

Artículo CAS Google Académico

Gillies, RJ, Kinahan, PE & Hricak, H. Radiomics: Las imágenes son más que imágenes, son datos. Radiología 278(2), 563–577 (2016).

Artículo Google Académico

Rizzo, S. et al. Radiómica: los hechos y los desafíos del análisis de imágenes. EUR. Radiol. Exp. 2(1), 36 (2018).

Artículo Google Académico

Li, S. et al. Un enfoque radiómico para el diagnóstico automatizado de neoplasia maligna de ovario en tomografía computarizada. ciencia Rep. 11(1), 8730 (2021).

Artículo ADS CAS Google Académico

Stanzione, A. et al. Infiltración miometrial profunda de cáncer de endometrio en resonancia magnética: un estudio piloto de aprendizaje automático basado en radiómica. Academia Radiol. 28(5), 737–744 (2021).

Artículo Google Académico

Fasmer, KE et al. Radiómica de resonancia magnética de tumor de volumen completo para el modelado pronóstico en el cáncer de endometrio. J. magn. resonancia Imágenes 53(3), 928–937 (2021).

Artículo Google Académico

Chen, X. et al. Aprendizaje profundo para la determinación de la profundidad de la invasión miometrial y la identificación automática de lesiones en imágenes de RM de cáncer de endometrio: un estudio preliminar en una sola institución. EUR. Radiol. 30(9), 4985–4994 (2020).

Artículo Google Académico

Ueno, Y. et al. Carcinoma endometrial: modelo de textura basado en imágenes de RM para la estratificación del riesgo preoperatorio: un análisis preliminar. Radiología 284(3), 748–757 (2017).

Artículo Google Académico

Kato, T. & Uemura, M. Análisis de períodos utilizando el operador de selección y contracción mínima absoluta (Lasso). publ. Astron. Soc. Japón 64(6), 122 (2012).

Artículo ANUNCIOS Google Académico

Castillo, PE et al. Relación de la citología de células glandulares atípicas, la edad y la detección del virus del papiloma humano con los riesgos de cáncer de cuello uterino y de endometrio. obstetra ginecol. 115 (2 parte 1), 243–248 (2010).

Artículo Google Académico

Nagle, CM et al. Impacto del cambio de peso y el ciclo de peso en el riesgo de diferentes subtipos de cáncer de endometrio. EUR. J. Cancer 49(12), 2717–2726 (2013).

Artículo CAS Google Académico

Crosbie, EJ, Zwahlen, M., Kitchener, HC, Egger, M. y Renehan, AG Índice de masa corporal, terapia de reemplazo hormonal y riesgo de cáncer de endometrio: un metanálisis. Epidemiología del cáncer. Biomarca. Anterior 19(12), 3119–3130 (2010).

Artículo CAS Google Académico

Xu, WH et al. Factores menstruales y reproductivos y riesgo de cáncer de endometrio: resultados de un estudio de casos y controles basado en la población en las zonas urbanas de Shanghái. En t. J. Cancer 108(4), 613–619 (2004).

Artículo CAS Google Académico

Wijaya, C. La diabetes mellitus y la hipertensión son factores de riesgo para el cáncer de endometrio. Indones. J. Obstet. ginecol. https://doi.org/10.32771/inajog.v36i3.314 (2016).

Artículo Google Académico

van Timmeren, JE, Cester, D., Tanadini-Lang, S., Alkadhi, H. & Baessler, B. Radiómica en imágenes médicas: guía práctica y reflexión crítica. Insights Imaging 11(1), 91 (2020).

Artículo Google Académico

Stefano, A. et al. Robustez de las características radiómicas de PET: impacto del registro conjunto con resonancia magnética. aplicación ciencia 11(21), 10170 (2021).

Artículo CAS Google Académico

Shu, Z. et al. Nomograma radiómico basado en resonancia magnética para detectar cáncer rectal primario con metástasis hepáticas sincrónicas. ciencia Rep. 9(1), 3374 (2019).

Artículo ANUNCIOS Google Académico

Kocak, B. et al. Predicción de la respuesta a los análogos de la somatostatina en la acromegalia: análisis de textura cuantitativo de alta dimensión basado en el aprendizaje automático en resonancia magnética ponderada en T2. EUR. Radiol. 29(6), 2731–2739 (2019).

Artículo Google Académico

Limkin, EJ et al. La complejidad de la forma del tumor, la espiculación, se correlaciona con las características de la forma radiómica del tumor. ciencia Rep. 9(1), 4329 (2019).

Artículo ANUNCIOS Google Académico

Sozzi, G. et al. Tamaño del tumor, un factor de riesgo adicional de recurrencia local en el cáncer de endometrio de bajo riesgo: un gran estudio retrospectivo multicéntrico. En t. J. Ginecol. Cáncer 28(4), 684–691 (2018).

Artículo Google Académico

Dhruv, B., Mittal, N. & Modi, M. Estudio del análisis de textura de Haralick y GLCM en imágenes médicas 3D. En t. J. Neurosci. 129(4), 350–362 (2019).

Artículo Google Académico

Chu, H. et al. Valor de la radiómica de resonancia magnética basada en imágenes T1WI mejoradas en la predicción del grado de meningiomas. Academia Radiol. 28(5), 687–693 (2021).

Artículo Google Académico

Yan, BC et al. Radiólogos con radiómica basada en resonancia magnética para predecir la metástasis de los ganglios linfáticos pélvicos en el cáncer de endometrio: un estudio multicéntrico. EUR. Radiol. 31(1), 411–422 (2021).

Artículo CAS Google Académico

Veeraraghavan, H. et al. Predicción basada en el aprendizaje automático de la inestabilidad de microsatélites y la alta carga de mutaciones tumorales a partir de la tomografía computarizada mejorada con contraste en los cánceres de endometrio. ciencia Rep. 10(1), 17769 (2020).

Artículo ADS CAS Google Académico

Ji, GW et al. Cáncer del tracto biliar en la TC: un modelo basado en la radiómica para predecir la metástasis en los ganglios linfáticos y los resultados de supervivencia. Radiología 290(1), 90–98 (2019).

Artículo Google Académico

Descargar referencias

Este estudio fue apoyado por la Financiación del Departamento de Ciencia y Tecnología de la Provincia de Jiangxi (Subvenciones No. 20202BABL206112), y la Financiación de la Comisión de Salud de la Provincia de Jiangxi (Subvenciones No. 20203036 y 202110004).

Estos autores contribuyeron por igual: Jiaqi Liu y Shiyun Li.

Departamento de Radiología, Hospital Popular Provincial de Jiangxi, Primer Hospital Afiliado de la Facultad de Medicina de Nanchang, 152 Aiguo Road, Nanchang, 330006, China

Jiaqi Liu, Bing Fan y Juhong Yu

Departamento de Ginecología, Hospital Popular Provincial de Jiangxi, Primer Hospital Afiliado de la Facultad de Medicina de Nanchang, Nanchang, China

Shiyun Li y Puying Luo

GE Healthcare, Hangzhou, China

Huashan Lin y Peiei Pang

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

Concepción y diseño: BF, JHY y JQL; Pacientes y recogida de datos clínicos: SYL y PYL; Recopilación de datos de imágenes: JQL y SYL; Delineación de ROI: JQL y BF; Análisis de datos: PPP y JQL; Escritura manuscrita: JQL, HSL, BF, JHY y PPP; Aprobación final del manuscrito: Todos los autores.

Correspondencia a Bing Fan o Juhong Yu.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Liu, J., Li, S., Lin, H. et al. Desarrollo de un modelo predictivo radiómico basado en resonancia magnética para la clasificación de lesiones endometriales. Informe científico 13, 1590 (2023). https://doi.org/10.1038/s41598-023-28819-2

Descargar cita

Recibido: 09 Abril 2022

Aceptado: 25 de enero de 2023

Publicado: 28 enero 2023

DOI: https://doi.org/10.1038/s41598-023-28819-2

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.