Radiômica e aprendizado de máquina - Uma assinatura para prever o status da codeleção 1p19q em gliomas de baixo grau
Palavras-chave:
Radiômica, Aprendizado de máquina, Codeleção 1p/19q, Gliomas de baixo grau, Análise de componentes vizinhosResumo
Os gliomas compreendem a grande maioria de todos os tumores cerebrais malignos. A identificação do estado de codeleção cromossômica 1p/19q em gliomas de baixo grau (LGG) é de fundamental importância no manejo clínico. Este trabalho propõe uma assinatura de baixa complexidade para avaliação não invasiva do status 1p/19q a partir de imagens de ressonância magnética, usando radiômica e aprendizado de máquina. Os experimentos foram realizados usando imagens ponderadas em T2 de um conjunto de dados público, com 159 pacientes e status 1p/19q comprovado por biópsia. Um conjunto de 68 características quantitativas foi extraído de cada tumor usando a plataforma PyRadiomics. A normalização foi utilizada para que todas as características apresentem uma ordem de grandeza similar. A análise de componentes de vizinhança foi utilizada para redução de dimensionalidade. A previsão do status 1p/19q foi realizada usando um classificador de k-vizinhos mais próximos, com ajuste de hiperparâmetros usando busca em grade com validação cruzada. O desempenho da classificação foi avaliado usando várias métricas. Os resultados mostram que o desempenho da classificação melhora à medida que incorporamos cada etapa adicional a assinatura, e os melhores resultados foram obtidos ao executar a assinatura completa. Quando comparado com vários métodos de ponta da literatura e com resultados obtidos por neurocirurgiões e neurorradiologistas analisando as mesmas imagens, a assinatura proposta apresentou acurácia (81,88%), especificidade (69,25%), precisão (86,04%), área sob a curva (82,70%) e pontuação F1 (86,28%); o método proposto também apresentou alta sensibilidade (88,48%). Este trabalho demonstra técnicas baseadas em radiômica e aprendizado de máquina que fornecem avaliação não invasiva e promissora do status 1p/19q em LGGs. A assinatura proposta pode ser útil para facilitar a tomada de decisões clínicas, cirúrgicas e terapêuticas.
Downloads
Referências
Alcaide-Leon P, Dufort P, Geraldo AF, Alshafai L, Maralani PJ, Spears J, et al. Differentiation of enhancing glioma and primary central nervous system lymphoma by texture-based machine learning. AJNR Am J Neuroradiol. 2017; 38:1145–50. https://doi.org/10.3174/ajnr.A5173
Akkus Z, Ali I, Sedlář J, Agrawal JP, Parney IF, Giannini C, Erickson BJ. Predicting Deletion of Chromosomal Arms 1p/19q in Low-Grade Gliomas from MR Images Using Machine Intelligence. J Digit Imaging. 2017; 30(4): 469–476. Published online 2017 Jun 9. PMCID: PMC5537096. https://doi.org/10.1007/s10278-017-9984-3
Baştanlar Y., Özuysal M. (2014) Introduction to Machine Learning. In: Yousef M., Allmer J. (eds) miRNomics: MicroRNA Biology and Computational Analysis. Methods in Molecular Biology (Methods and Protocols), vol 1107. Humana Press, Totowa, NJ. https://doi.org/10.1007/978-1-62703-748-8_7
Berrar D. Cross-validation. Encyclopedia of Bioinformatics and Computational Biology, pp. 542–545. Academic Press, Oxford 2019. https://doi.org/10.1016/B978-0-12-809633-8.20349-X
Bonaccorso G. Machine Learning Algorithms: A Reference Guide to Popular Algorithms for Data Science and Machine Learning, Packt Publishing, Birmingham, UK, 2017.
Cassia GS, Silva TAM, Carvalho JLA. Radiomics to predict 1p/19q chromosomal codeletion status of low-grade gliomas. In: GliMR - Virtual Annual Meeting 2021, 2021, Rotterdam. GliMR - Virtual Annual Meeting, 2021.
Cha S. Update on brain tumor imaging: from anatomy to physiology. AJNR Am J Neuroradiol. 2006; 27(3): 475–87.
DeAngelis LM. Brain tumors. N Engl J Med. 2001; 344(2):114–23. https://doi.org/10.1056/nejm200101113440207
Decuyper M, Bonte S, Deblaere K, and Van Holen R. Automated MRI based pipeline for segmentation and prediction of grade, IDH mutation and 1p19q co-deletion in glioma. Computerized Medical Imaging and Graphics, Vol. 88, 2021, 101831, ISSN 0895-6111, https://doi.org/10.1016/j.compmedimag.2020.101831.
Dubbink HJ, Atmodimedjo PN, Kros JM, French PJ, Sanson M, Idbaih A, et al. Molecular classification of anaplastic oligodendroglioma using nextgeneration sequencing: a report of the prospective randomized EORTC Brain Tumor Group 26951 phase III trial. Neuro Oncol. 2016; 18:388–400.
Eckel-Passow JE, Lachance DH, Molinaro AM, Walsh KM, Decker PA, Sicotte H, et al. Glioma groups based on 1p/19q, IDH, and TERT promoter mutations in tumors. N. Engl. 2015, J. Med. 372, 2499–2508. https://doi.org//10.1056/NEJMoa1407279
Erickson B, Akkus Z, Sedlar J, Korfiatis P. Data From LGG-1p19q Deletion. The Cancer Imaging Archive. 2017. https://doi.org/10.7937/K9/TCIA.2017.dwehtz9v
Fedorov A, Beichel R, Kalpathy-Cramer J, Finet J, Fillion-Robin JC, Pujol S, et al. 3D slicer as an image computing platform for the quantitative imaging network. Magn Reson Imaging. 2012;30: 1323–41.
Fukunaga K, Narendra PM. A branch and bound algorithm for computing k-nearest neighbors. IEEE Transactions on Computers, 1975, v. 100, n. 7, p. 750–753
Géron A. Hands-on Machine Learning With Scikit-Learn and TensorFlow: Concepts Tools and Techniques to Build Intelligent Systems, Sebastopol, CA, USA:O’Reilly, 2017.
Gillies RJ, Kinahan PE, Hricak H. Radiomics: imagens are more than pictures, they are data. Radiology. 2016; 278:563–577 CrossRefMedline.
Goldberger J, Roweis S, Hinton G, and Salakhutdinov R. Neighbourhood components analysis. In Advances in Neural Information Processing Systems 17. MIT Press, 2005, pp. 513–520.
Griethuysen JJM, Fedorov A, Parmar C, Hosny A, Aucoin N, Narayan V, Beets-Tan RGH, Fillon-Robin JC, Pieper S, Aerts HJWL. Computational Radiomics System to Decode the Radiographic Phenotype. Cancer Research, 2017. 77(21), e104–e107. https://doi.org/10.1158/0008-5472.CAN-17-0339
Han Y, Xie Z, Zang Y, Zhang S, Gu D, Zhou M, et al. Non-invasive genotype prediction of chromosome 1p/19q co-deletion by development and validation of an MRI-based radiomics signature in lower-grade gliomas. J Neurooncol. (2018) 140:297–306. https://doi.org/10.1007/s11060-018-2953-y
Katostaras T, Katostara N. Area of the ROC curve when one point is available. Stud Health Technol Inform. 2013;190:219-21. PMID: 23823428.
Kocak B, Durmaz ES, Ates E, et al. Radiogenomics of lower-grade gliomas: machine learning-based MRI texture analysis for predicting 1p/19q codeletion status. Eur Radiol, 2020;30:877–86 CrossRef Medlin.
Kong Z, Jiang C, Zhang Y, Liu S, Liu D, Liu Z, Chen W, Liu P, Yang T, Lyu Y, Zhao D, You H, Wang Y, Ma W, Feng F. Thin-slice magnetic resonance imaging-based radiomics signature predicts chromosomal 1p/19q Co-deletion status in grade II and III gliomas. Front. Neurol., 11 (2020), p. 551771.
Kreyszig E. Advanced Engineering Mathematics, 1979 (Fourth ed.). Wiley. p. 880, eq. 5. ISBN 0-471-02140-7.
Lambin P, Leijenaar RTH, Deist TM, Peerlings J, de Jong EEC, van Timmeren J, et al. Radiomics: the bridge between medical imaging and personalized medicine. Nat Rev Clin Oncol. 2017; 14:749–62. https://doi.org/10.1038/nrclinonc.2017.141
Louis DN, et al. The 2016 World Health Organization Classification of Tumors of the Central Nervous System: a summary. Acta Neuropathol. 2016; 131:803–820. https://doi.org/10.1007/s00401-016-1545-1
Lu C-F, Hsu F-T, Hsieh KL-C, Kao Y-CJ, Cheng S-J, Hsu JB-K, et al. Machine learning-based radiomics for molecular subtyping of gliomas. Clin Cancer Res. 2018; 24:4429–36. https://doi.org/10.1158/1078-0432.CCR-17-3445
Shboul ZA , Chen J, Iftekharuddin MK. Prediction of molecular mutations in diffuse low-grade gliomas using MR imaging features. Sci Rep.(2020);10(1):3711.
Qin C, Song S, Huang G, Zhu L. Unsupervised neighborhood component analysis for clustering. 2015, Neurocomputing 168:609–617.
Silva TAM, Cassia GS, Carvalho JLA. Utilização de Características Radiômicas para Classificar Gliomas de Baixo Grau com Relação ao Status da Codeleção Cromossômica 1p/19q. In: XXVII Brazilian Congress in Biomedical Engineering, 2020, Vitória - ES. Anais do XXVII Congresso Brasileiro de Engenharia Biomédica, 2020. p. 23-28.
Silva TAM, Cassia GS, Nascimento FAO, Carvalho JLA, Predição da codeleção 1p/19q utilizando atributos radiômicos e aprendizado de máquina, In: XXXIX Simpósio Brasileiro de Telecomunicações e Processamento de Sinais, 2021.
Van der Voort SR. et al. Predicting the 1p/19q co-deletion status of presumed low grade glioma with an externally validated machine learning algorithm. Clinical Cancer Research, 2019, 1127.
Weinberger K and Saul L. Distance metric learning for large margin nearest neighbor classification. The Journal of Machine Learning Research, vol. 10, pp. 207–244, 2009.
Weller M, van den Bent M, Tonn JC, et al. European Association for Neuro-Oncology (EANO) guideline on the diagnosis and treatment of adult astrocytic and oligodendroglial gliomas. The Lancet Oncology. 2017; 18(6):e315-e329. ISSN 1470-2045. https://doi.org/10.1016/S1470-2045(17)30194-8
Wijnenga MMJ, Mattni T, French PJ, et al. Does early resection of presumed low-grade glioma improve survival? A clinical perspective. Journal of neuro-oncology. 2017; 133(1):137-146. ISSN 1573-7373. https://doi.org/10.1007/s11060-017-2418-8
Xing L, Li R, Napel S, Rubin D. Radiomics and Radiogenomics: Technical Basis and Clinical Applications. Boca Raton, FL: CRC Press, 2019
Yang W, Wang K, Zuo W. Neighborhood component feature selection for high-dimensional data. 2012, JCP 7(1):161–168.
Zhang Y, Chen C, Cheng Y, Teng Y, Guo W, Xu H, Ou X, Wang J, Li H, Ma X and Xu J. Ability of Radiomics in Differentiation of Anaplastic Oligodendroglioma From Atypical Low-Grade Oligodendroglioma Using Machine-Learning Approach. Front. Oncol. 2019; 9:1371. https://doi.org/10.3389/fonc.2019.01371
