Red neuronal artificial para el reconocimiento de glioblastomas en imágenes de SPECT cerebral con 99mTc-MIBI
Palabras clave:
glioblastoma, tomografía por emisión de fotón único, inteligencia artificial, red neuronal artificialResumen
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.
Descargas
Citas
1. Fordham AJ, Hacherl CC, Patel N, Jones K, Myers B, Abraham M, et al. Differentiating Glioblastomas from Solitary Brain Metastases: An Update on the Current Literature of Advanced Imaging Modalities. Cancers. 2021;13(12):2960. DOI: 10.3390/cancers13122960
2. Tan AC, Ashley DM, López GY, Malinzak M, Friedman HS, Khasraw M. Management of glioblastoma: State of the art and future directions. CA: A Cancer Journal for Clinicians. 2020;70(4):299-312. DOI: 10.3322/caac.21613
3. Thust SC, Heiland S, Falini A, Jäger HR, Waldman AD, Sundgren PC, et al. Glioma imaging in Europe: A survey of 220 centres and recommendations for best clinical practice. European Radiology. 2018;28(8):3306-17. DOI: 10.1007/s00330-018-5314-5.
4. Bruffaerts R. Machine learning in neurology: what neurologists can learn from machines and vice versa. Journal of Neurology. 2018;265(11):2745-8. DOI: 10.1007/s00415-018-8990-9
5. Bernstein A, Burnaev E, Kondratyeva E, Sushchinskaya S, Sharaev M, Andreev A, et al. Machine Learning pipeline for discovering neuroimaging-based biomarkers in neurology and psychiatry. Proceedings of Machine Learning Research, 2018;60:1-20. DOI: 10.48550/arXiv.1804.10163
6. Carleo G, Cirac I, Cranmer K, Daudet L, Schuld M, Tishby N, et al. Machine learning and the physical sciences. Reviews of Modern Physics. 2019;91(4). DOI: 10.1103/revmodphys.91.045002
7. Zander E, Ardeleanu A, Singleton R, Bede B, Wu Y, Zheng S. A functional artificial neural network for noninvasive pretreatment evaluation of glioblastoma patients. Neuro-Oncology Advances. 2021;4(1). DOI: 10.1093/noajnl/vdab167
8. Latif G, Ben Brahim, G, Iskandar DNFA, Bashar A, Alghazo J. Glioma Tumors’ classification using deep-neural-network-based features with SVM classifier. Diagnostics. 2022:1018. DOI: 10.3390/diagnostics12041018
9. Blanc Durand P, Van Der Gucht A, Schaefer N, Itti E, Prior JO. Automatic lesion detection and segmentation of 18F-FET PET in gliomas: A full 3D U-Net convolutional neural network study. Sherman JH, editor. PLOS ONE. 2018;13(4):e0195798. DOI: 10.1371/journal.pone.0195798
10. Wei W, Ma L, Yang L, Lu R, Xi C. Artificial Intelligence Algorithm-Based Positron Emission Tomography (PET) and Magnetic Resonance Imaging (MRI) in the Treatment of Glioma Biopsy. Pallikonda Rajasekaran M, editor. Contrast Media & Molecular Imaging. 2022;2022:1-9. DOI: 10.1155/2022/5411801
11. Çinarer G, Emiroğlu BG, Yurttakal AH. Prediction of Glioma Grades Using Deep Learning with Wavelet Radiomic Features. Applied Sciences. 2020;10(18):6296. DOI: 10.3390/app10186296
12. Cassinelli Petersen GI, Shatalov J, Verma T, Brim WR, Subramanian H, Brackett A, et al. Machine Learning in Differentiating Gliomas from Primary CNS Lymphomas: A Systematic Review, Reporting Quality, and Risk of Bias Assessment. American Journal of Neuroradiology. 2022;43(4):526-33. DOI: 10.3174/ajnr.a7473
13. Chawla NV, Bowyer KW, Hall LO, Kegelmeyer WP. SMOTE: Synthetic Minority Over-sampling Technique. Journal of Artificial Intelligence Research. 2002;16:321-57. DOI: 10.1613/jair.953
14. Ebrahimi Zade A, Shahabi Haghighi S, Soltani M. A neuro evolutionary algorithm for patient calibrated prediction of survival in Glioblastoma patients. Journal of Biomedical Informatics. 2021;115:103694. DOI: 10.1016/j.jbi.2021.103694
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Acorde con el documento de licencias de derecho del autor de Revista Cubana de Neurología y Neurocirugía, los artículos pueden reproducirse sin permiso formal o pago de honorarios por permisos.
Esta es una publicación con Acceso Abierto (Open Access) bajo las condiciones de la Licencia de Creative Commons Reconocimiento-NoComercial 4.0 Internacional, excepto que se haga alguna indicación adicional.
El usuario sin pedir permiso previo al editor o al autor, es libre de:
- Compartir — copiar y redistribuir el material en cualquier medio o formato
- Adaptar — remezclar, transformar y construir a partir del material para cualquier propósito, incluso comercialmente.
Atribución — Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante.
- No Comercial — Usted no puede hacer uso del material con propósitos comerciales.
Esto está de acuerdo con la definición de BOAI de acceso abierto. Además, al autor no se le imponen los cargos o costos por el procesamiento editorial del artículo aceptado para su publicación.
