¿Es posible detectar patología adversa cribriforme en cáncer de próstata mediante imágenes de resonancia magnética basadas en radiomics con aprendizaje automático?

Razonamiento y objetivos: Los patrones cribriformes son aceptados como variantes agresivas del cáncer de próstata. Estas patologías adversas están estrechamente asociadas con recurrencia bioquímica temprana, metástasis, resistencia a la castración y mala supervivencia relacionada con la enfermedad. Existen pocas publicaciones para diagnosticar estas dos patologías adversas con imágenes de resonancia magnética multiparamétricas (mpMRI). La mayoría de estas publicaciones son retrospectivas y no son estudios que han marcado la diferencia en el diagnóstico de patología adversa. También se sabe que las biopsias por fusión tomadas de lesiones detectadas en mpMRI son insuficientes para detectar estas patologías adversas. Nuestro estudio tiene como objetivo diagnosticar esta patología adversa utilizando datos de radiomics basados en aprendizaje automático a partir de imágenes de MR. Materiales y métodos: Un total de 88 pacientes que tenían resultados de patología indicando la presencia de patrón cribriforme y adenocarcinoma de próstata se sometieron a exámenes de MRI preoperatorios y prostatectomía radical. Se realizó segmentación volumétrica manual, imagen por imagen, en todas las imágenes axiales. El procesamiento de datos y el análisis de aprendizaje automático se llevaron a cabo utilizando Python 3.9.12 (Jupyter Notebook, Biblioteca Pycaret). Resultados: Dos radiólogos, SE y MAG, con 7 y 8 años de experiencia posterior a la graduación, respectivamente, evaluaron las imágenes utilizando el software 3D-Slicer sin conocimiento de los hallazgos histopatológicos. Se extrajeron ciento diecisiete características de tejido radiómico de las secuencias ponderadas por T1 (T1W) y coeficiente de difusión aparente (ADC) para cada paciente. El acuerdo interobservador para estas características se analizó utilizando el coeficiente de correlación intraclase (ICC). Las características con excelente acuerdo interobservador (ICC > 0.90) se analizaron más a fondo para colinealidad entre predictores utilizando la correlación de Pearson. Las variables que mostraron una correlación muy alta (r ≥ ±0.80) fueron desestimadas. Las características seleccionadas para las imágenes T1W y ADC fueron Máximo de primer orden, Asimetría de primer orden, percentil 10 de primer orden para ADC, y matriz de zona de tamaño de nivel gris, Énfasis en área grande de bajo nivel gris para T1W. Como resultado de la clasificación de PyCaret, se encontraron los tres mejores modelos. Se obtuvo un solo modelo al combinar estos tres modelos. AUC, precisión, recuperación, precisión y puntuaciones F1 fueron 0.79, 0.77, 0.85, 0.82 y 0.83, respectivamente. Conclusión: La radiomics de MRI basada en ML del cáncer de próstata puede predecir el patrón cribriforme. Este factor pronóstico no puede determinarse mediante evaluación radiológica cualitativa y puede pasarse por alto en muestras histopatológicas preoperatorias.