RADIOMIC EVALUATION OF GANGLIONAR AFFECTATION IN COLORECTAL CANCER PATIENTS

Abstract

El cáncer colorrectal (CCR), es el tercer cáncer más prevalente a nivel mundial, y cuarta causa principal de muerte oncológica. El sistema de estadiaje TNM que evalúa el tumor, los ganglios linfáticos (GL) y las metástasis, es fundamental en las pautas de tratamiento del CCR. Los GL desempeñan un papel crucial en predecir la recurrencia de la enfermedad y la super- vivencia del paciente. La evaluación precisa de su estado es esencial para determinar estrategias de tratamiento óptimas y evitar la morbimortalidad asociadas a tratamientos excesivos. A pesar de su baja precisión en la identificación de GL patológicos, la tomografía computarizada (TC) sigue siendo el método utilizado actualmente para la evaluación preoperatoria. Dependiendo de la posición, los CCRs exhiben diferentes patrones de progresión de la en- fermedad y supervivencia. Mientras que los pacientes con CCR izquierdo (CCRI) suelen ex- perimentar síntomas como sangrado rectal, el CCR derecho (CCRD) no presenta ninguna señal hasta que el tumor está en una etapa mucho más avanzada. Además, la lesión precancerosa también varía en según la ubicación. En el CCRD, los pólipos suelen ser planos y su detección es mucho más difícil que en el CCRI, que presenta un aspecto más típico y prominente. Todo esto contribuye a la detección tardía del CCRD. La radiómica permite extraer características cuantitativas de las imágenes radiológicas que pueden ser analizadas por algoritmos de inteligencia artificial. En oncología, la radiómica ha mostrado un gran potencial en la comprensión de la biología tumoral, ayduando en el diag- nóstico, estadificación, pronóstico, predicción de respuesta al tratamiento y monitoreo de la enfermedad. El objetivo del proyecto fue desarrollar y validar un modelo de aprendizaje automático para evaluar la probabilidad preoperatoria de afectación ganglionar en pacientes con CCRD a partir de datos datos clínicos y radiómicos de TC. Tras la selección de imágenes y la segmentación manual de tumores y GLs, se obtuvieron 1687 características radiómicas. Los resultados desta- can una sensibilidad de 0.825, especificidad de 0.964, un F1-score de 0.852 y un valor de AUC de 0.852. Posteriormente se utilizó el algoritmo SHAP para proporcionar explicabilidad a la clasificación. Las características más relevantes se obtuvieron de las categorías GLSZM, NGTDM, GLRLM y GLCM, subrayando la importancia de capturar características basadas en la textura. Este estudio resalta el potencial de combinar la radiómica con el aprendizaje automático en el manejo del CCRD, pues al extraer características imperceptibles de las imágenes radiológicas y clasificarlas se abre la posibilidad de desarrollar herramientas útiles para los radiólogos en el diagnóstico de GL metastásicos.