Quando os órgãos sexuais do seu bebê se desenvolvem no útero?
Jul 18, 2023Sintomas de câncer renal: sinais de alerta precoce e muito mais
Jul 19, 2023Choque quando as fotos mostram 'enorme' pedra na bexiga removida de um cachorro labrador em Wakefield
Jul 20, 2023A reprogramação metabólica de macrófagos pró-inflamatórios pelo ácido robúrico administrado ao alvo melhora efetivamente os sintomas da artrite reumatóide
Jul 21, 2023Câncer de pâncreas estágio 4: o que esperar
Jul 22, 2023Inteligência artificial
Pesquisa Médica Militar, volume 10, Número do artigo: 22 (2023) Citar este artigo
2095 acessos
1 Citações
3 Altmétrico
Detalhes das métricas
A medicina moderna depende de várias tecnologias de imagens médicas para observar a anatomia dos pacientes de forma não invasiva. No entanto, a interpretação de imagens médicas pode ser altamente subjetiva e dependente da experiência dos médicos. Além disso, algumas informações quantitativas potencialmente úteis em imagens médicas, especialmente aquelas que não são visíveis a olho nu, são frequentemente ignoradas durante a prática clínica. Em contraste, a radiômica realiza extração de recursos de alto rendimento de imagens médicas, o que permite a análise quantitativa de imagens médicas e a previsão de vários desfechos clínicos. Estudos relataram que a radiômica apresenta desempenho promissor no diagnóstico e na previsão de respostas ao tratamento e prognóstico, demonstrando seu potencial para ser uma ferramenta auxiliar não invasiva para a medicina personalizada. No entanto, a radiómica permanece numa fase de desenvolvimento, uma vez que numerosos desafios técnicos ainda têm de ser resolvidos, especialmente na engenharia de características e na modelação estatística. Nesta revisão, apresentamos a utilidade atual da radiômica, resumindo pesquisas sobre sua aplicação no diagnóstico, prognóstico e previsão de respostas ao tratamento em pacientes com câncer. Nós nos concentramos em abordagens de aprendizado de máquina, para extração e seleção de recursos durante a engenharia de recursos e para conjuntos de dados desequilibrados e fusão multimodal durante a modelagem estatística. Além disso, introduzimos a estabilidade, reprodutibilidade e interpretabilidade dos recursos, e a generalização e interpretabilidade dos modelos. Finalmente, oferecemos possíveis soluções para os desafios atuais na pesquisa radiômica.
O câncer é uma doença devastadora que afeta muitas pessoas em todo o mundo [1]. Os tumores cancerígenos começam como um pequeno aglomerado de células neoplásicas que podem estar localizadas dentro de uma intrincada rede de tecidos e órgãos internos, o que dificulta o diagnóstico de tais tipos de câncer (por exemplo, carcinoma nasofaríngeo) em seus estágios iniciais [2]. Além disso, cancros do mesmo tipo e estádio podem comportar-se de forma notavelmente diferente em pacientes diferentes, por isso é fundamental que estejam disponíveis métodos para monitorizar o crescimento do tumor, para ajudar os médicos na prescrição de tratamento anti-cancerígeno e para avaliar as respostas ao tratamento em pacientes individuais. 3].
Nesse sentido, imagens médicas, como tomografia computadorizada (TC), ressonância magnética (RM), tomografia por emissão de pósitrons (PET) e ultrassonografia (US), são indispensáveis para detectar a presença e monitorar o crescimento do câncer, e avaliar respostas ao tratamento. Diferentes modalidades de imagem capturam diferentes propriedades dos órgãos internos. Por exemplo, a TC detecta alterações anatômicas em órgãos, como calcificação arterial [4]; A ressonância magnética visualiza o contraste dos tecidos moles e o sistema músculo-esquelético [5]; e o PET captura alterações funcionais e metabólicas em tecidos ou órgãos [6]. Os agentes de contraste são frequentemente empregados para melhorar a visualização do contraste entre intensidades de sinal em imagens de tecidos normais e anormais (como tumores). No entanto, o julgamento clínico baseado na inspeção visual de imagens sem ajuda pode consumir muitos recursos, depende da experiência dos médicos e pode falhar na detecção de todas as informações dentro do volume tridimensional (3D) de um tumor.
A radiômica emergiu recentemente como uma solução promissora para esses problemas, pois envolve extração de alto rendimento e análise de características quantitativas de alta dimensão de imagens médicas multimodais [7], o que permite capturar de forma não invasiva a heterogeneidade intratumoral [8] . Os estudos baseados em radiômica consistem nas seguintes seis etapas: aquisição de imagem, pré-processamento de imagem, segmentação de imagem, extração de recursos, seleção de recursos e construção e avaliação de modelo [9]. As etapas principais são aquelas envolvidas na engenharia de características (ou seja, extração e seleção de características) e modelagem estatística (ou seja, construção e avaliação de modelos) e são o foco atual dos esforços da maioria dos pesquisadores. Além disso, bons progressos na engenharia de características e na modelagem estatística foram feitos nos últimos anos. Por exemplo, sabe-se agora que as características radiômicas estão correlacionadas com o diagnóstico e prognóstico do tumor, então os pesquisadores usaram o método de redundância mínima e máxima relevância (mRMR), o operador de seleção e contração menos absoluta (LASSO) e outras tecnologias para selecionar características radiômicas preditivas. . Eles também usaram classificadores como máquina de vetores de suporte (SVM) e floresta aleatória (RF) para construir modelos baseados em radiômica. Numerosos estudos também construíram modelos baseados em radiômica para, por exemplo, auxiliar no diagnóstico do câncer, no prognóstico e na previsão de respostas ao tratamento. Esses modelos demonstraram a possibilidade de desenvolver estratificação de risco e tratamento personalizado para os pacientes, o que poderia levar à realização da medicina de precisão. No entanto, apesar deste progresso na radiómica, vários problemas importantes continuam por resolver.