Inteligencia artificial y radiómica para diferenciar lipoma de tumor lipomatoso atípico en la resonancia magnética

Resumen

OBJETIVOS Diferenciar el lipoma del tumor lipomatoso atípico (TLA) por imagen es complicado, y en muchos casos se requiere biopsia o resección quirúrgica para llegar al diagnóstico definitivo. El objetivo de este estudio es desarrollar un algoritmo basado en machine learning empleando las variables radiómicas de RM preoperatorias para mejorar la distinción entre lipoma y TLA. MATERIAL Y MÉTODO Se seleccionó retrospectivamente una cohorte de 80 pacientes con sospecha de lipoma vs TLA en RM. Todos los pacientes tenían diagnóstico mediante biopsia (determinación inmunohistoquímica de MDM2). Cada tumor se segmentó tridimensionalmente utilizando una aplicación de segmentación y radiómica. Se extrajeron las variables radiómicas de la segmentación en secuencias potenciadas en T1, T2 y densidad protónica y se emplearon para entrenar un modelo de machine learning. Se utilizaron diferentes aproximaciones para entrenar el algoritmo: support vector machine, naïve Bayes, redes neuronales artificiales y regresión logística. Se valoró el rendimiento de cada modelo y se seleccionó el mejor en función de la AUC-ROC, sensibilidad, especificidad y accuracy.  RESULTADOS Resultados preliminares con una muestra de menor tamaño (10 pacientes): el rendimiento de un modelo basado en support vector machine obtuvo una AUC-ROC de 0.85. CONCLUSIONES Incluso con resultados preliminares en una muestra muy pequeña, los resultados destacan el potencial beneficio de la inteligencia artificial y la radiómica en la diferenciación entre lipoma y tumor lipomatoso atípico en resonancia magnética. Análisis más exhaustivos se completarán en la muestra de mayor tamaño.