Red neuronal artificial para el reconocimiento de glioblastomas en imágenes de SPECT cerebral con 99mTc-MIBI

Resumen

Introducción: Los gliomas representan aproximadamente el 25 % de todos los tumores cerebrales en adultos, siendo el glioblastoma el tumor cerebral primario maligno más frecuente. La inteligencia artificial y, dentro de ella, las técnicas de aprendizaje automático tienen el potencial de convertirse en herramientas de diagnóstico muy poderosas y ayudas confiables para los neurólogos clínicos.

Objetivo: Determinar el rendimiento de una red neuronal artificial entrenada para identificar glioblastomas mediante biomarcadores extraídos de imágenes de SPECT cerebral con ^99mTc-MIBI utilizando el perceptrón multicapa.

Métodos: Se realizó un estudio observacional, transversal, cuantitativo, que tuvo lugar en el Hospital Clínico Quirúrgico Hermanos Ameijeiras, La Habana, Cuba, durante el período 2018-2020. Se utilizó como algoritmo el perceptrón multicapa y para su validación el método (k-fold cross validation). Se realizó un balance de clases en la data de entrenamiento mediante el algoritmo Synthetic Minority Oversampling Technique a fin de garantizar métricas de mayor calidad.

Resultados: Se analizaron 220 imágenes (estudios precoz y tardío) de tomografía por emisión de fotón único cerebral con ^99mTc-MIBI de 110 pacientes con diagnóstico de glioma cerebral. La exactitud general del modelo fue elevada, tanto en el entrenamiento (97,3 %) como en la prueba (97,1 %) y el error fue bajo, tanto para el entrenamiento (2,7 %) como para la prueba (2,9 %). De todas las variables medidas la que mayor peso normalizado tuvo fue el índice de retención del radiofármaco.

Conclusiones: La red neuronal artificial propuesta y entrenada para reconocer glioblastomas utilizando el perceptrón multicapa mediante biomarcadores extraídos de imágenes de SPECT cerebral con ^99mTc-MIBI en una base de datos de gliomas cerebrales tuvo un entrenamiento satisfactorio y excelentes métricas de rendimiento.