IDENTIFICACIÓN RADIÓMICA DE FALSOS NEGATIVOS EN GANGLIOS CENTINELA METASTÁSICOS CONFIRMADOS POR LA TÉCNICA DE GANGLIO CENTINELA

Abstract

El cáncer de mama es el cáncer más común en las mujeres y la primera causa de muerte por cáncer. Por su cercanía, los ganglios linfáticos axilares son la principal vía de diseminación del cáncer de mama. Su diagnóstico supone un antes y después en el tratamiento de la paciente y su pronóstico. La resonancia magnética es la técnica por imagen que mayor resolución tiene del interior del cuerpo y, por lo tanto, la que más información aporta al diagnóstico. En ocasiones para los radiólogos es difícil detectar ganglios metastásicos que morfológicamente son considerados sanos en estas imágenes. Por ello, la biopsia del ganglio centinela es la técnica invasiva usada para corroborar la afectación ganglionar. El machine learning y la radiómica son ciencias con un gran potencial en la investigación y en la mejora del diagnóstico. Así pues, ayudado de ellas, el objetivo de este estudio es el desarrollo de una herramienta que permita detectar ganglios aparentemente sanos para así evitar cualquier intervención. Inicialmente se realiza una selección de imágenes de dos modalidades, ponderadas en T1 y del estudio dinámico de 7 minutos. Se realiza una segmentación manual de los ganglios, extracción y selección de las características radiómicas. A continuación, se realizan cuatro distintas clasificaciones de los ganglios para evaluar el rendimiento utilizando diferentes bases de datos. Estas clasificaciones se llevan a cabo mediante el entrenamiento de un modelo Random Forest usando Cross Validation. Una vez obtenidas las métricas de rendimiento para las 4 clasificaciones, se concluye que el mejor clasificador es el que categoriza ganglios patológicos vs. ganglios sanos utilizando imágenes ponderadas en T1 e imágenes del estudio dinámico. Este clasificador tiene una exactitud de 0.8, una precisión de 0.783, una sensibilidad de 0.867, una especificidad de 0.733 y el área bajo la curva ROC es de 0.82. Además, gracias al algoritmo SHAP, se ha podido dar explicabilidad a la clasificación y entender cuáles han sido las características más relevantes en la misma. Éstas están relacionadas con la homogeneidad y asimetría de la imagen, y han sido extraídas principalmente de las imágenes del estudio dinámico. Además, las características más importantes han sido extraídas a partir de distintos filtros aplicados a la imagen original. Este estudio evidencia el potencial de la radiómica unida al machine learning. Éstos son capaces de extraer características inapreciables al ojo humano y clasificarlas, pudiendo llegar a desarrollar herramientas de apoyo al radiólogo durante el diagnóstico de ganglios metastásicos.