Una red neuronal artificial

Scientific Reports volumen 13, Número de artículo: 8673 (2023) Citar este artículo

262 Accesos

2 Altmetric

Detalles de métricas

La radioterapia beneficia a los pacientes con carcinoma de células escamosas de esófago avanzado (ESCC) en términos de alivio de los síntomas y supervivencia a largo plazo. Por el contrario, una proporción sustancial de pacientes con ESCC no se han beneficiado de la radioterapia. Este estudio tuvo como objetivo establecer y validar un modelo radiómico basado en una red neuronal artificial para la predicción previa al tratamiento de la respuesta a la radioterapia de ESCC avanzado mediante el uso de datos integrados combinados con características de referencia factibles de tomografía computarizada. Un total de 248 pacientes con ESCC avanzado que se sometieron a una TC de referencia y recibieron radioterapia se inscribieron en este estudio y se analizaron mediante dos tipos de modelos radiómicos, aprendizaje automático y aprendizaje profundo. En consecuencia, el Att. El modelo de red preentrenado Resnet50 indicó un rendimiento superior, con AUC de 0,876, 0,802 y 0,732 en las cohortes de entrenamiento, validación interna y validación externa, respectivamente. Del mismo modo, nuestro Att. El modelo de red preentrenado Resnet50 mostró una excelente calibración y un beneficio clínico significativo según el índice C y el análisis de la curva de decisión. En este documento, se estableció un nuevo modelo de radiómica previa al tratamiento basado en métodos de aprendizaje profundo y podría usarse para la predicción de la respuesta a la radioterapia en pacientes con ESCC avanzados, proporcionando así evidencia confiable para la toma de decisiones terapéuticas.

El cáncer de esófago (CE) es uno de los subtipos fatales de tumores malignos y tiene la séptima tasa de mortalidad más alta entre todos los subtipos1. Para Asia, el carcinoma de células escamosas es el principal subtipo patológico de EC. La cirugía radical y la quimiorradioterapia son tratamientos cruciales para los pacientes con carcinoma de células escamosas de esófago (ESCC)2. La radioterapia radical se recomienda como tratamiento preferido para el carcinoma esofágico cervical y torácico medio ubicado en una posición más alta que es difícil de resecar completamente mediante cirugía. Para el ESCC avanzado no resecable, todavía se necesita quimioterapia y radioterapia para aliviar los síntomas y prolongar la supervivencia3,4,5.

Sin embargo, la sensibilidad a la radioterapia varía entre los diferentes pacientes6, lo que genera diferencias significativas en la respuesta al tratamiento. Es más probable que se observen eventos adversos y efectos secundarios en pacientes con ESCC resistente a la radiación7,8. Con este fin, se debe explorar un enfoque práctico y no invasivo que pueda estimar la radioterapia con precisión antes de la implementación del tratamiento en pacientes con ESCC.

En las últimas décadas, la clasificación general del contraste esofágico (tipo medular, tipo fungoso, tipo constrictivo y tipo ulcerativo) para predecir la respuesta a la radioterapia ha sido ampliamente utilizada en el trabajo clínico9,10. Sin embargo, esta predicción se basa completamente en la evaluación empírica de los radiólogos, lo que genera diferencias entre las respuestas reales al tratamiento. De lo contrario, los biomarcadores moleculares relacionados con la sensibilidad a la radioterapia no se han validado prospectivamente para su uso clínico habitual. Estudios recientes han indicado que la radiómica basada en inteligencia artificial (IA) puede extraer biomarcadores de biopsia virtual radiográficos no invasivos, proporcionando de manera efectiva información predictiva para la respuesta al tratamiento11,12. Lu et al.13 encontraron que el modelo basado en el aprendizaje profundo mostró una alta precisión en la identificación de los orígenes de los cánceres de origen primario desconocido. Zhong14 indicó que las características radiómicas basadas en imágenes de resonancia magnética multiparamétrica (mp-MRI) podrían considerarse factores pronósticos en pacientes con cáncer de próstata localizado después de la radioterapia. Gao15 demostró que las firmas radiómicas basadas en resonancias magnéticas ponderadas por difusión longitudinal podrían usarse para estimar los efectos de la radioterapia antes de la operación. Zhu16 informó que un modelo de nomograma basado en las firmas radiómicas de imágenes de tomografía computarizada (TC) y los factores clínicos mostró sensibilidad y especificidad adecuadas en la estimación del riesgo de recurrencia local en el carcinoma nasofaríngeo (NPC) después de la radioterapia de intensidad modulada (IMRT).

Estudios previos de radiómica informaron que las características de la radiómica mejoraron significativamente la evaluación de la respuesta patológica completa después de la quimiorradiación neoadyuvante en pacientes con EC17. Sin embargo, se han reportado pocos estudios relevantes basados en radiómica para predecir la respuesta de la radioterapia en ESCC. Aquí, en este estudio, se utilizó una gran cohorte de 248 pacientes con ESCC para desarrollar un nuevo modelo de firma de radiómica basado en TC de referencia mediante un algoritmo de aprendizaje profundo para validar su desempeño en la predicción de la respuesta a la radioterapia.

Información de referencia y datos de imágenes, incluidos datos demográficos, datos clínicos, hallazgos patológicos de biopsias antes del tratamiento, datos de imágenes pre y posquirúrgicos y registros quirúrgicos de pacientes con ESCC que se sometieron a radioterapia en la Institución 1 (El Primer Hospital Afiliado de Xi'an Universidad de Jiaotong) de 2013 a 2019 fueron recopilados y analizados. Además, también recuperamos y recopilamos los mismos datos relacionados de pacientes con ESCC que recibieron radioterapia en la Institución 2 (El Segundo Hospital Afiliado de la Universidad Xi'an Jiaotong) de 2017 a 2019. Todos los pacientes se sometieron a un examen de TC en el momento del posicionamiento antes del inicio de su radioterapia, y los datos de TC se recopilaron retrospectivamente desde 2021 hasta 2022. Los principales criterios de inclusión fueron los siguientes: (1) ESCC diagnosticado por biopsia; (2) ESCC avanzado diagnosticado clínicamente mediante tomografía computarizada e imágenes de contraste; (3) se sometieron a radioterapia radical completa (y no abandonaron durante el tratamiento); y (4) los datos de imágenes antes y después de la radioterapia se registraron después de la misma institución. Los principales criterios de exclusión fueron los siguientes: (1) ausencia de biopsia o confirmación patológica; (2) ninguna cirugía o más de dos semanas de quimioterapia adyuvante antes de la radioterapia; y (3) no volver a examinar los datos de imágenes después de la radioterapia. Las clasificaciones generales de todos los pacientes se basaron en las guías chinas CSCO18. Utilizamos el estándar de estadificación clínica para el cáncer de esófago no quirúrgico (Borrador) para la clasificación del tumor19. Se obtuvo el consentimiento informado por escrito de todos los pacientes en este estudio. Todos los métodos emprendidos en este trabajo se llevaron a cabo de acuerdo con las directrices y reglamentos pertinentes. Toda la información clínica de los pacientes se inscribió consecutivamente y el Comité de Ética de la Universidad Xi'an Jiaotong aprobó este estudio.

El veinte por ciento de los pacientes de la Institución 1 fueron seleccionados al azar para la cohorte de validación interna, y el resto de los pacientes de la Institución 1 fueron agrupados en la cohorte de entrenamiento. Los pacientes de la Institución 2 fueron elegidos como cohorte de validación externa. El flujo experimental detallado se ilustra en la Fig. 1.

Diagrama de flujo que ilustra los pasos para desarrollar el modelo de predicción de la sensibilidad radiómica, que incluye la categorización de los pacientes, la delineación del ROI del volumen del tumor, la selección del modelo y el análisis de salida. Este diagrama de flujo muestra la superioridad del modelo de red neuronal en el aspecto de extremo a extremo. Los resultados de la predicción se pueden obtener directamente sin los tediosos pasos de extracción de características del aprendizaje automático. En aplicaciones prácticas, el rendimiento de generalización del modelo de red neuronal también es mejor.

Todos los pacientes de nuestra investigación aceptaron la localización mediante el localizador Brilliance CT (Philps, Reino Unido) antes de la radioterapia. Los principales parámetros de funcionamiento: voltaje del tubo: 140 kV; corriente eléctrica del tubo: 500 mA; distancia entre haces: 0,625 espesor de capa; tiempo de rotación: 0,5 s; matriz: 512 × 512; tamaño del detector: 24 mm. Los parámetros de escaneo: espesor de capa ≤ 5 mm; intervalo ≤ 5 mm.

Antes de la tomografía computarizada, se requería que dos tecnólogos en radioterapia y médicos acompañaran a los pacientes. Todos los pacientes debían ayunar durante 4 a 6 h antes de la tomografía computarizada y beber 0,5 L de agua durante la exploración para dilatar el esófago tanto como fuera posible. Se pidió a todos los pacientes que contuvieran la respiración durante el uso de la máquina de tomografía computarizada en espiral multicapa para escanear continuamente el tórax. El rango de exploración comenzó desde el borde superior de la fosa supraclavicular 5 cm por encima, hasta el nivel de la primera vértebra lumbar. Luego, los datos de la tomografía computarizada se pasaron a la estación de trabajo para su reconstrucción.

Todos los pacientes de este estudio recibieron radioterapia radical, con una dosis de radiación que oscilaba entre 60 y 66 Gy con una energía de 6 MV, 1,8–2,0 Gy/fracción, 5 veces por semana. Los órganos en riesgo (OAR), incluidos los pulmones bilaterales, la médula espinal, el conducto gástrico y el corazón, se describieron para su protección. Las dosis máximas toleradas para estructuras normales clave fueron las siguientes: médula espinal: < 40 Gy; corazón V40 ≤ 30%; pulmones bilaterales: V20 ≤ 28% y V30 ≤ 20%; y estómago: V40 ≤ 40%. Sin embargo, debido a que los datos se recuperaron retrospectivamente, la dosis real de radioterapia para cada paciente fue ligeramente diferente. A pesar de ello, cada plan de radioterapia entraba dentro del alcance de la dosis radical recomendada por las directrices de la NCCN20.

Los especialistas en imagen evaluaron los datos de imagen de los pacientes para medir el diámetro máximo del tumor en cada plano recomendado por las guías RECIST 1.121. Luego, se podría calcular la tasa máxima de reducción del diámetro del tumor (diámetro máximo antes de la radioterapia/diámetro máximo después de la radioterapia), que se usa popularmente en el trabajo clínico para evaluar la respuesta al tratamiento. De acuerdo con la tasa máxima de reducción del diámetro del tumor para todos los pacientes, seleccionamos 0,5 como el umbral potencial para dividir a los pacientes en dos categorías. Después de los experimentos, elegimos el valor de corte óptimo, que era 0,5 como umbral para dividir a los pacientes (tasa de reducción tumoral superior al 50 % y tasa de reducción tumoral inferior al 50 %).

Los planos continuos de las imágenes de TC en todos los pacientes fueron delineados por dos radiólogos con más de ocho años de experiencia en la delineación del área objetivo de la radioterapia utilizando Monaco 5.2. Además, otro radiólogo con más de 15 años de experiencia revisó el área objetivo y obtuvo el área objetivo final de radioterapia, lo que garantizó que todo el tumor de cada paciente se reflejara en el área objetivo a partir de planos continuos de imágenes de TC. En este ensayo, utilizamos las imágenes del área objetivo descritas para la construcción de un modelo de respuesta a la radioterapia. Para minimizar la influencia del margen del tumor en el modelo, para cada paciente, elegimos las imágenes que mejor describían el sitio del tumor.

Los datos de TC del paciente y de delineación del objetivo recopilados en este experimento se almacenan en formato de archivo DICOM, y los datos de TC en los archivos DICOM se convierten en imágenes en formato PNG 2D a través de Python. De esta forma, podemos extraer de 10 a 60 cortes de imágenes 2D que describen el área objetivo del tumor de cada paciente. Posteriormente, los radiólogos profesionales seleccionan las imágenes de TC 2D más representativas del tumor (generalmente imágenes alrededor del diámetro máximo del tumor). El conjunto de datos recopilados de la institución 1 se dividió aleatoriamente en conjuntos de validación de conjuntos de entrenamiento según el paciente. Los datos recopilados de la Institución 2 se distribuyen al grupo de validación externa.

En los experimentos de aprendizaje automático, las imágenes de TC 2D se transforman en vectores de características a través de la extracción de características y se realizan experimentos posteriores. En las redes neuronales artificiales, aplicamos métodos de aumento de datos como rotación, volteo, zoom y distorsión a las imágenes de TC. A través del aumento de datos, el conjunto de datos de imágenes de TC aumentó a 6000. Y las imágenes de TC en 2D fueron la entrada directa a los modelos de redes neuronales artificiales.

En este estudio, se utilizaron pacientes de la institución uno (cohorte de entrenamiento y cohorte interna) para construir y verificar el modelo de clasificación. Las características radiómicas de las imágenes de TC se extrajeron utilizando el software de extracción de imágenes PyRadiomics versión 3.0. Se extrajo un total de 102 características 2D de cada paciente, incluido primer orden, forma 2D, matriz de coocurrencia de nivel de gris (GLCM), matriz de longitud de ejecución de nivel de gris (GLLRM), matriz de zona de tamaño de nivel de gris (GLSZM), matriz de tono de gris vecina características de matriz de diferencia (NGTDM) y matriz de dependencia de nivel de gris (GLDM)22. Además, agrupamos las características correlacionadas (> 0.8) por el algoritmo del coeficiente de correlación de Pearson, y las características menos predictivas en el mismo grupo se ignoraron en el algoritmo de selección de características (Fig. S1 complementaria). Se utilizó el algoritmo de bosque aleatorio para disminuir las dimensiones de los datos y seleccionar las características más predictivas23. La fórmula y la explicación del algoritmo de selección de características son las siguientes:

en el que X representa la característica, \({\mathrm{err}}_{\mathrm{OOB}2}\) representa el error fuera de bolsa cuando agregamos ruido a la característica X y \({\mathrm{err }}_{\mathrm{OOB}1}\) representa el error out-of-bag sin agregar ruido. Se aplicaron diez conjuntos de experimentos con un número de características que oscilaba entre uno y diez para determinar el número óptimo de características para el modelo. Por lo tanto, las cinco características más predictivas fueron seleccionadas para entrenar al clasificador y lograron el mejor desempeño. Mientras tanto, en este estudio se probaron múltiples clasificadores, incluida la máquina de vectores de soporte (SVM) con kernel lineal, SVM con modelo de regresión lineal de kernel de base radial24,25, modelo de regresión lineal26 y bosque aleatorio. Después de comparar las AUC de los clasificadores, seleccionamos el algoritmo de bosque aleatorio porque superó a todos los demás clasificadores.

En este estudio, los pacientes de la institución uno se usaron para construir la cohorte de capacitación y la cohorte de validación interna, y los pacientes de la institución dos se usaron para construir la cohorte de validación externa para verificar la eficiencia de la generalización.

El modelo CNN ha demostrado ser muy eficaz en el campo de la clasificación de imágenes27,28,29. Los modelos CNN de extremo a extremo brindan resultados de predicción precisos sin extracciones de características de imagen adicionales, lo que mejora significativamente la eficiencia del modelo. En este estudio, se utilizaron múltiples redes neuronales para clasificar las imágenes de TC de los pacientes. La tasa de aprendizaje del modelo se fijó en 0,0005 y se utilizó el optimizador RMSprop (raíz cuadrática media). Mientras tanto, usamos la entropía cruzada binaria como la función de pérdida del modo; la fórmula es la siguiente:

donde yi representa la etiqueta de cada imagen, \(\mathrm{p}({\mathrm{y}}_{\mathrm{i}})\) representa la probabilidad de que la imagen sea positiva y \(\mathrm{ q}\) representa la distribución real. Además, para evitar problemas de sobreajuste, aplicamos una capa de abandono y establecimos la tasa de abandono en 0,2 (ignorando aleatoriamente el 20 % de las neuronas). Finalmente, se aplicó una capa sigmoidea al modelo antes de la capa de salida para normalizar las salidas. La función sigmoidea se define de la siguiente manera:

El tamaño del lote se fijó en 16 y logró el mejor rendimiento entre otros tamaños. Al entrenar el modelo de red neuronal, finalmente se obtuvieron las estadísticas de probabilidad de la sensibilidad a la radioterapia de los pacientes (una probabilidad de más de 0,5 es sensible y una probabilidad de menos de 0,5 es resistente). La estructura detallada de los modelos de redes neuronales se ilustra en la Fig. 2a.

(a) Modelo CNN que consta de dos capas de convolución con un tamaño de kernel de 3*3. Cada capa convolucional sigue las funciones ReLU y max-pooling. La función de abandono puede prevenir significativamente los problemas de sobreajuste del modelo. (b) El modelo preentrenado se creó principalmente con ResNet50 preentrenado de ImageNet, y la capa de atención del canal usó la agrupación máxima y la agrupación promedio para calcular el mapa de características de atención del canal.

Diversas investigaciones sobre redes neuronales preentrenadas han demostrado un rendimiento de última generación en tareas de clasificación de imágenes30,31. Mientras tanto, se ha demostrado que el mecanismo de atención del canal es eficiente para mejorar el rendimiento de los modelos de aprendizaje profundo. En este estudio, se aplicó un ResNet50 preentrenado (entrenado en ImageNet de Keras) con una capa de atención de canal32,33,34. La capa de atención del canal se aplicó para capturar los canales más críticos de la salida del modelo; la fórmula de la función es la siguiente:

donde \(\mathrm{MLP}\) representa el perceptrón multicapa y \(\mathrm{F}\) representa las entradas. La tasa de aprendizaje se fijó en 0,01 y se utilizó el optimizador de Adam. La función de pérdida en estos experimentos también fue entropía cruzada binaria. Mientras tanto, la tasa de abandono de la capa de abandono se fijó en 0,5. Después de múltiples experimentos, el tamaño del lote se estableció en 32 y logró el mejor rendimiento. El modelo preentrenado superó a todos los demás métodos que aplicamos en este estudio. El clasificador óptimo con el mejor AUC se utilizó para una mayor exploración. La estructura detallada de los modelos de redes neuronales se ilustra en la Fig. 2b.

Al evaluar el rendimiento predictivo de cada modelo, utilizamos el área bajo la curva ROC (valor AUC) para medir la precisión de cada modelo predictivo. Sin embargo, el área bajo la curva ROC no puede tener en cuenta la practicabilidad clínica del modelo de predicción. Por lo tanto, usamos la curva de decisión para evaluar más a fondo cada modelo. La curva de decisión integra las preferencias de los tomadores de decisiones en el análisis y, de hecho, puede evaluar el beneficio en la práctica clínica después de usar este método. Por lo tanto, responde a las necesidades reales de la toma de decisiones clínicas y se utiliza cada vez más en el análisis clínico35

Utilizamos el software estadístico SPSS versión 18 para calcular las diferencias significativas mediante la prueba X2 o la prueba exacta de Fisher para variables categóricas. Una P de 2 colas < 0,05 se consideró estadísticamente significativa. El análisis de asociación de la logística univariante también se calculó mediante el software estadístico SPSS versión 18. La curva de calibración y la curva de decisión se realizaron para probar el rendimiento de la calibración y la utilidad clínica35. Se utilizó el software Python versión 3.8 (Python) para la representación gráfica.

Nuestro estudio inscribió a 248 pacientes con ESCC, incluidos 154 (62,1 %) pacientes en la cohorte de entrenamiento, 45 (18,1 %) en la cohorte de validación interna y 49 (19,8 %) en la cohorte de validación externa. Las características clínicas de los pacientes en las tres cohortes se resumen en la Tabla 1. Las edades medias (DE) de las cohortes de entrenamiento, validación interna y validación externa fueron 69,36 años. La cohorte completa comprendía 245 pacientes (98,8 %) que fueron diagnosticados con ESCC en estadio clínico III en el momento del tratamiento. La cohorte de capacitación comprendía 62 respondedores y 92 no respondedores, la cohorte de validación interna comprendía 14 respondedores y 31 no respondedores, y la cohorte de validación externa comprendía 18 respondedores y 31 no respondedores. No hubo diferencias estadísticamente significativas en la proporción de sexos, el estadio clínico, la ubicación del tumor, el tipo general o el consumo de tabaco durante la radioterapia entre respondedores y no respondedores en las cohortes de entrenamiento, validación interna y validación externa (Tabla 1).

El análisis de las características de los pacientes mediante regresión logística univariada no mostró asociaciones con la respuesta a la radioterapia, incluido el sexo, la edad, el diámetro máximo del tumor antes de la radioterapia, el estadio clínico del tumor, el estadio clínico del ganglio, el estadio clínico metastásico, el estadio clínico, el tipo general, la ubicación del tumor, el alcohol consumo y consumo de tabaco en cada cohorte (P > 0,05) (Tabla complementaria S1).

Se utilizaron cuatro clasificadores de aprendizaje automático para construir modelos radiómicos, incluida la regresión lineal, SVM con kernel lineal, SVM con kernel de base radial y modelos de bosque aleatorio. Las diez características más predictivas identificadas por el algoritmo de bosque aleatorio se seleccionaron para entrenar al clasificador. En comparación con los resultados de rendimiento de cada clasificador, el modelo de bosque aleatorio mostró las AUC más altas en las cohortes de capacitación y validación interna, que fueron 0,767 (IC 95 %, 0,734–0,790) y 0,594 (IC 95 %, 0,562–0,631), respectivamente . La SVM con un kernel lineal logró un AUC de 0,561 (IC 95 %, 0,530–0,594) en la cohorte de validación interna, mientras que la SVM con un modelo de kernel de base radial logró un AUC de 0,539 (IC 95 %, 0,510–0,564) en la cohorte interna. El AUC del modelo de regresión lineal en la cohorte de validación interna fue de 0,589 (IC del 95 %, 0,561–0,646) (Figura complementaria S3a–c). Luego, para comparar el rendimiento del modelo de características combinadas con el modelo de características independiente, usamos las cinco características más predictivas del modelo combinado para entrenar el modelo individualmente por bosque aleatorio. El rendimiento de cada característica independiente en el modelo de radiómica mostró un AUC más bajo que el de las características combinadas en el mismo modelo de radiómica (Fig. 3a yb, Tabla complementaria S2).

( a, b ) Curvas características operativas del receptor del modelo de bosque aleatorio de firmas radiómicas en la cohorte primaria y la cohorte interna. La línea roja gruesa ilustra la curva ROC del modelo de bosque aleatorio usando las 10 características principales, mientras que otras líneas representan modelos de bosque aleatorio usando las 5 características principales por separado.

El modelo radiómico de aprendizaje profundo construido con ResNet50 preentrenado y el mecanismo de atención del canal superaron a todos los demás métodos en la predicción de la respuesta a la radioterapia. El modelo logró AUC de 0 0,876 (IC 95 % 0,853–0,895), 0,802 (IC 95 % 0,775–0,837) y 0,732 (IC 95 % 0,672–0,797) en cohortes primarias, internas y externas, mientras que el modelo entrenado por un CNN desde cero logró AUC de 0,805 (IC del 95 %: 0,774–0,830), 0,770 (IC del 95 %: 0,729–0,802) y 0,678 (IC del 95 %: 0,619–0,738), respectivamente (Fig. 4a–c). Este resultado indicó que las características de la TC eran factibles para construir un modelo radiómico de pronóstico fiable. Al comparar el rendimiento de los modelos radiómicos de aprendizaje automático, los modelos radiómicos de CNN mostraron AUC más altas en las tres cohortes, lo que reveló que los modelos radiómicos de aprendizaje profundo, sin disminuir las dimensiones de los datos y eliminar características redundantes, mejoraron el rendimiento del modelo radiómico. El proceso de reducción de la dimensionalidad de las características radiómicas puede conducir a una falta de información de perspectiva.

(a,b) y (c), curvas características operativas del receptor de firmas radiómicas en la cohorte primaria (a), la cohorte interna (b) y la cohorte externa (c), que ilustran la comparación entre Att. red preentrenada y modelo CNN. D y E, Curva de Decisión de Att. Modelo preentrenado (d) y modelo CNN (e). La línea marrón representa a todos los pacientes que respondieron a la radioterapia, mientras que la línea de puntos azul marino representa a los pacientes que no respondieron a la radioterapia. (f), El gráfico ilustra la calibración de la firma radiómica en Att. Modelo preentrenado. La línea punteada indica el modelo ideal. La línea naranja representa la curva de calibración de la cohorte primaria y la línea azul representa la cohorte interna.

Para estimar la estabilidad predictiva de los modelos radiómicos y evaluar los beneficios en aplicaciones clínicas, se utilizaron curvas de decisión y curvas de calibración para evaluar el rendimiento de dos modelos de redes neuronales. Las curvas de decisión mostraron que con la consideración de preferencias de decisión, utilizando Att. El modelo preentrenado obtendrá más beneficios que el uso del modelo CNN en la práctica clínica (Fig. 4d, e). Se aplicó una curva de calibración al modelo ResNet50 preentrenado en las cohortes primaria e interna (Fig. 4f), que mostró un alto grado de concordancia entre los resultados previstos y reales del modelo.

La radioterapia se considera uno de los tratamientos más cruciales para los pacientes con ESCC36. La construcción de modelos para predecir la respuesta a la radioterapia es significativamente instructiva para el tratamiento de precisión individualizado37. Lo que dificulta la predicción de la respuesta a la radiación en la ESCC es la falta de marcadores moleculares predictivos de la sensibilidad a la radiación38. Además, las características clínicas tradicionales y el tipo general de ESCC mostraron una correlación limitada con la respuesta a la radioterapia. Por lo tanto, es necesario desarrollar un modelo disponible que pueda predecir de manera eficiente la respuesta a la radioterapia en pacientes con ESCC. Recientemente, los modelos de firma radiómica basados en IA se han aplicado a diferentes áreas y han mostrado un rendimiento increíble en la predicción de la respuesta a la radioterapia39,40,41,42,43. Aquí, nuestro objetivo fue diseñar un modelo radiómico basado en TC previo al tratamiento para la predicción de la respuesta a la radioterapia en pacientes con ESCC, que puede cubrir la escasez de marcadores moleculares predictivos.

Los modelos de aprendizaje automático y aprendizaje profundo se han utilizado ampliamente en la investigación radiómica44,45,46. En un estudio anterior, los algoritmos de aprendizaje de máquinas tradicionales, como el bosque aleatorio y SVM, se mencionaron con más frecuencia que los algoritmos de aprendizaje profundo debido a la limitación de la población de cohortes17,47. Además, los algoritmos end-to-end en deep learning han comenzado a utilizarse en la investigación del cáncer en los últimos años, no solo utilizando imágenes radiográficas sino también utilizando imágenes histopatológicas48,49. La detección de la reproducibilidad de las características, que se considera una parte indispensable para reducir el sobreajuste de los modelos radiómicos tradicionales de aprendizaje automático, parece mejorar el rendimiento del modelo radiómico. Por el contrario, los algoritmos de extremo a extremo no necesitan reducir la dimensionalidad y tienen como objetivo hacer un uso completo de toda la información de la imagen para sacar conclusiones50. Sin embargo, no se ha comparado la superioridad de estos dos tipos de algoritmos para predecir la respuesta a la radioterapia. Para determinar cuál de estos dos algoritmos puede construir un modelo de radiómica más efectivo, en nuestro estudio, ambos algoritmos se usaron para construir modelos de radiómica en las mismas cohortes de pacientes de ESCC. Los resultados implicaron que, ya sea en las cohortes de capacitación, validación interna o validación externa, el modelo radiómico construido por el algoritmo de aprendizaje profundo de extremo a extremo mostró un mejor rendimiento. Esto sugiere que los algoritmos de aprendizaje profundo de extremo a extremo deberían recibir más atención en estudios radiómicos posteriores. Además, el modelo CNN desde cero y el modelo preentrenado de CNN también se compararon en nuestros estudios. Aunque el uso de modelos de redes neuronales preentrenados se ha convertido en una opción cada vez más común en investigaciones recientes, los modelos preentrenados y los modelos desde cero rara vez se han comparado en estudios radiómicos51. Nuestros estudios mostraron alguna evidencia con respecto a los modelos preentrenados. Mientras tanto, estudios recientes informaron que el mecanismo de atención del canal podría mejorar significativamente el rendimiento de los modelos de redes neuronales. En nuestro estudio, la capa de atención del canal mejoró significativamente la dificultad de convergencia causada por demasiados canales en el modelo preentrenado y mejoró el rendimiento del modelo en casi un 3 % en la cohorte de validación externa.

Recientemente, los avances en radiogenómica han demostrado que las firmas radiómicas tienen distintas correlaciones con los patrones de expresión génica37. Las firmas radiómicas impulsadas por diferentes vías implicadas en la regulación inmunitaria, la proliferación tumoral, las respuestas al tratamiento y las funciones celulares explican aún más la base biológica de la radiómica52. Este resultado sugiere que podemos reflejar la heterogeneidad intratumoral, hasta cierto punto, mediante la construcción de un modelo radiómico. En comparación con las características clínicas tradicionales, las características radiómicas predicen mejor la respuesta al tratamiento con radioterapia. Por lo tanto, planteamos la hipótesis de que la utilización general de la información de imágenes de TC de los algoritmos de extremo a extremo puede reflejar la heterogeneidad del tumor. La diferencia en la extracción de información de la imagen puede causar una aparente discrepancia entre estos dos algoritmos diferentes. Sin embargo, estas teorías no han sido dilucidadas por estudios de radiogenómica y multiómica.

Nuestro estudio retrospectivo se limitó a discontinuidades temporales en los pacientes incluidos. Aunque nuestro estudio minimizó las diferencias en los datos de imágenes mediante el uso de un proceso de estandarización, las diferencias en los equipos de TC entre cada período e institución pueden generar sesgos en la recopilación de datos de imágenes. Hasta donde sabemos, este estudio es el primer estudio multicéntrico de radiómica en pacientes con ESCC no quirúrgicos. Sin embargo, las dos instituciones de nuestro estudio están ubicadas en la misma provincia y el número de pacientes es limitado. Todavía se necesita una gran población de pacientes de otras regiones para evaluar la extrapolación del modelo. Finalmente, nuestro estudio solo analizó el fenotipo radiómico 2D y las características clínicas debido a la limitación de cohortes, y el fenotipo radiómico 3D no mostró un buen desempeño en nuestro modelo. Por lo tanto, el fenómeno de la radiómica 3D aún debe explorarse en el siguiente paso. También es necesario combinar otras ómicas para revelar aún más el significado biológico de la radiómica.

Este es el primer estudio radiómico multicéntrico que desarrolla un Att. Modelo de radiómica de red preentrenada Resnet50 en pacientes con ESCC avanzado. Permite la toma de decisiones clínicas, apoyándose no solo en la experiencia de los médicos clínicos sino también en una base objetiva. La predicción efectiva de la radioterapia brinda a estos pacientes opciones de tratamiento razonables, individualizadas y precisas, así como enfoques de tratamiento alternativos oportunos con intención curativa para prevenir cualquier efecto secundario innecesario de la radioterapia y mejorar la calidad de vida y los resultados de supervivencia de los pacientes con ESCC avanzada. Además, nuestro estudio utiliza imágenes de TC de diagnóstico de rutina existentes, lo que no agrega una carga financiera adicional a los pacientes. Al mismo tiempo, el Att. El modelo radiómico de red preentrenada Resnet50 no requiere la extracción estandarizada de firmas radiómicas, lo que puede ser más conveniente en el uso clínico para que los oncólogos predigan la respuesta a la radioterapia durante el diagnóstico.

Desarrollando un Att. El modelo de radiómica de red preentrenada Resnet50 para predecir la respuesta a la radioterapia en pacientes con ESCC avanzada no solo puede ayudar a los oncólogos a formular planes de radioterapia individualizados efectivos rápidamente y guiar la toma de decisiones clínicas, sino que también puede complementar la falta de marcadores moleculares para predecir la radiosensibilidad. Se espera que nuestro estudio se pueda incluir en la base de datos de radiómica de ESCC y se considere un estudio de referencia de radiómica en ESCC avanzado. El modelo tiene el potencial de aplicarse a otras tareas de clasificación de imágenes médicas.

Los conjuntos de datos generados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable. El código de nuestro enfoque completo está disponible públicamente en Github (https://github.com/lqawakeme/RRAESCC).

Cantado, H. et al. Estadísticas mundiales de cáncer 2020: estimaciones de GLOBOCAN de incidencia y mortalidad en todo el mundo para 36 cánceres en 185 países. CA A Cáncer J. Clin. 71, 209–249 (2021).

Artículo Google Académico

Abnet, CC, Arnold, M. y Wei, W.-Q. Epidemiología del carcinoma de células escamosas de esófago. Gastroenterología 154, 360–373 (2018).

Artículo PubMed Google Académico

Van Rossum, PS, Mohammad, NH, Vleggaar, FP y Van Hillegersberg, R. Tratamiento para el cáncer de esófago no resecable o metastásico: Evidencia y tendencias actuales. Nat. Rev. Gastroenterol. Hepatol. 15, 235–249 (2018).

Artículo PubMed Google Académico

Geh, JI, Crellin, AM & Glynne-Jones, R. Quimiorradioterapia preoperatoria (neoadyuvante) en el cáncer de esófago. Hermano J. Cirugía. 88, 338–356 (2002).

Artículo Google Académico

Donohoe, CL & Reynolds, JV Tratamiento neoadyuvante del cáncer de esófago y de unión localmente avanzado: base de evidencia, preguntas clave actuales y ensayos clínicos. J. Thorac. Dis. 9, S697–S704 (2017).

Artículo PubMed PubMed Central Google Académico

Lynam-Lennon, N. et al. La función mitocondrial alterada y el metabolismo energético se asocian con un fenotipo radiorresistente en el adenocarcinoma de esófago. PLoS ONE 9, e100738 (2014).

Artículo ADS PubMed PubMed Central Google Scholar

Jairam, V. et al. Complicaciones relacionadas con el tratamiento de la terapia sistémica y la radioterapia. JAMA Oncol. 5, 1028–1035 (2019).

Artículo PubMed PubMed Central Google Académico

Wang, X. et al. Incidencia y aparición de eventos cardíacos graves después de la radioterapia para el cáncer de esófago. J. Thorac. oncol. 15, 1682–1690 (2020).

Artículo CAS PubMed PubMed Central Google Scholar

Hayano, K. et al. Biomarcadores de imagen para el tratamiento del cáncer de esófago. WJG 25, 3021–3029 (2019).

Artículo PubMed PubMed Central Google Académico

Beukinga, RJ et al. Predicción de la respuesta a la quimioterapia neoadyuvante y la radioterapia con biomarcadores de imágenes PET con 18 F-FDG basales y de reestadificación en pacientes con cáncer de esófago. Radiología 287, 983–992 (2018).

Artículo PubMed Google Académico

Limkin, EJ et al. Promesas y desafíos para la implementación de imágenes médicas computacionales (radiómica) en oncología. Ana. oncol. 28, 1191–1206 (2017).

Artículo CAS PubMed Google Académico

Dercle, L. et al. Reinvención de la radioterapia con aprendizaje automático y biomarcadores de imágenes (radiómica): estado del arte, desafíos y perspectivas. Métodos 188, 44–60 (2021).

Artículo CAS PubMed Google Académico

Lu, MI et al. La patología basada en IA predice los orígenes de los cánceres de origen primario desconocido. Naturaleza 594, 106–110 (2021).

Artículo ADS CAS PubMed Google Scholar

Zhong, Q.-Z. et al. Radiómica de resonancia magnética multiparamétrica para predecir la recurrencia bioquímica del cáncer de próstata localizado después de la radioterapia. Frente. oncol. 10, 731 (2020).

Artículo PubMed PubMed Central Google Académico

Gao, Y. et al. Predicción del efecto del tratamiento para pacientes con sarcoma tratados con radioterapia preoperatoria utilizando características radiómicas de resonancias magnéticas ponderadas por difusión longitudinal. física Medicina. Biol. 65, 175006 (2020).

Artículo PubMed Google Académico

Zhu, C. et al. Un nomograma clínico-radiómico basado en tomografía computarizada para predecir el riesgo de recurrencia local después de la radioterapia en el carcinoma nasofaríngeo. Frente. oncol. 11, 637687 (2021).

Artículo PubMed PubMed Central Google Académico

Hu, Y. et al. Evaluación de la radiómica de tomografía computarizada intratumoral y peritumoral para predecir la respuesta patológica completa a la quimiorradiación neoadyuvante en pacientes con carcinoma de células escamosas de esófago. Red JAMA Abierto 3, e2015927 (2020).

Artículo PubMed PubMed Central Google Académico

Wang, F.-H. et al. La sociedad china de oncología clínica (CSCO): Directrices clínicas para el diagnóstico y tratamiento del cáncer gástrico. Cáncer Comun. 39, 1–31 (2019).

Artículo ANUNCIOS Google Académico

Grupo de expertos en estadificación clínica del cáncer de esófago no quirúrgico de China. Estándar de estadificación clínica para el cáncer de esófago no quirúrgico (Borrador). Barbilla J. Radiat. oncol. 19, 179–180 (2010).

Google Académico

Ajani, JA et al. Cánceres de la unión esofágica y esofagogástrica, versión 2.2019, Pautas de práctica clínica en oncología de NCCN. J. Natl. compr. Red de Cáncer. 17, 855–883 (2019).

Artículo CAS Google Académico

Eisenhauer, EA et al. Nuevos criterios de evaluación de respuesta en tumores sólidos: guía RECIST revisada (versión 1.1). Revista europea de cáncer 45, 228–247 (2009).

van Griethuysen, JJM et al. Sistema de radiómica computacional para decodificar el fenotipo radiográfico. Poder. Res. 77, e104–e107 (2017).

Artículo Google Académico

Saeys, Y., Abeel, T. & de Peer, YV Selección robusta de características utilizando técnicas de selección de características de conjunto. En Conferencia Europea Conjunta sobre Aprendizaje Automático y Descubrimiento de Conocimiento en Bases de Datos 313–325 (Springer, 2008).

Cherkassky, V. & Ma, Y. Selección práctica de parámetros de SVM y estimación de ruido para la regresión de SVM. Red neuronal 17, 113–126 (2004).

Artículo PubMed MATEMÁTICAS Google Académico

Huang, S. et al. Aplicaciones del aprendizaje de máquinas de vectores de soporte (SVM) en la genómica del cáncer. Genoma del Cáncer. Proteoma. 15, 41–51 (2018).

CAS Google Académico

Montgomery, DC, Peck, EA y Vining, GG Introducción al análisis de regresión lineal (John Wiley & Sons, 2021).

Matemáticas Google Académico

Qin, J., Pan, W., Xiang, X., Tan, Y. & Hou, G. Un método de clasificación de imágenes biológicas basado en CNN mejorado. ecológico Informar. 58, 101093 (2020).

Artículo Google Académico

Wang, J. et al. CNN-RNN: un marco unificado para la clasificación de imágenes de etiquetas múltiples. En Actas de la conferencia IEEE sobre visión artificial y reconocimiento de patrones 2285–2294 (2016).

Hou, L. et al. Red neuronal convolucional basada en parches para la clasificación de imágenes de tejido de portaobjetos completos. En Actas de la conferencia IEEE sobre visión artificial y reconocimiento de patrones 2424–2433 (2016).

Yosinski, J., Clune, J., Bengio, Y. & Lipson, H. ¿Qué tan transferibles son las características en las redes neuronales profundas? Adv. Información neuronal Proceso. sist. 27, (2014).

Al-Haija, QA & Adebanjo, A. Diagnóstico de cáncer de mama en imágenes histopatológicas utilizando la red neuronal convolucional ResNet-50. En 2020 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS) 1–7 (IEEE, 2020).

Woo, S., Park, J., Lee, J.-Y. & Kweon, IS Cbam: Módulo de atención de bloques convolucionales. En Actas de la Conferencia Europea sobre Visión por Computador (ECCV) 3–19 (2018).

Lee, H., Park, J. & Hwang, JY Módulo de atención de canal con agrupación promedio de cuadrícula multiescala para la segmentación del cáncer de mama en una imagen de ultrasonido. Trans. IEEE. Ultrasonido. Ferroelectr. frecuencia Control 67, 1344–1353 (2020).

Académico de Google de PubMed

Szegedy, C., Ioffe, S., Vanhoucke, V. & Alemi, AA Inception-v4, inception-resnet y el impacto de las conexiones residuales en el aprendizaje. En la Trigésima Primera Conferencia AAAI sobre Inteligencia Artificial (2017).

Fitzgerald, M., Saville, BR & Lewis, RJ Análisis de curvas de decisión. JAMA 313, 409–410 (2015).

Artículo CAS PubMed Google Académico

Goense, L. et al. Terapia individualizada dirigida por etapas en el cáncer de esófago: individualización del tratamiento del cáncer de esófago. Ana. Academia de Nueva York. ciencia 1381, 50–65 (2016).

Artículo ADS PubMed Google Scholar

Liu, Z. et al. Genómica de imágenes para un diagnóstico y tratamiento precisos de tumores: una visión general de vanguardia. biomedicina Farmacéutico. 135, 111173 (2021).

Artículo CAS PubMed Google Académico

Bollschweiler, E. et al. Marcadores moleculares para la predicción de una respuesta menor a la quimiorradiación neoadyuvante en el cáncer de esófago: resultados del estudio prospectivo de predicción de respuesta esofágica de colonia (CERP). Ana. Cirugía 264, 839–846 (2016).

Artículo PubMed Google Académico

Nazari, M., Shiri, I. & Zaidi, H. Modelo de aprendizaje automático basado en radiómica para predecir el riesgo de muerte dentro de los 5 años en pacientes con carcinoma de células renales de células claras. computar Biol. Medicina. 129, 104135 (2021).

Artículo PubMed Google Académico

Zhong, J. et al. Predicción automatizada de la respuesta a la quimioterapia neoadyuvante en el osteosarcoma con aprendizaje profundo y un nomograma radiómico basado en resonancia magnética. EUR. Radiol. https://doi.org/10.1007/s00330-022-08735-1 (2022).

Artículo PubMed PubMed Central Google Académico

Zhong, Y.-W. et al. Firma radiómica tumoral para la detección asistida por redes neuronales artificiales de metástasis en el cuello en pacientes con cáncer de lengua. J. Neuroradiol. 49, 213–218 (2022).

Artículo PubMed Google Académico

Joye, I. et al. Las imágenes cuantitativas superan a los marcadores moleculares al predecir la respuesta a la quimiorradioterapia para el cáncer de recto. Radioter. oncol. 124, 104–109 (2017).

Artículo PubMed PubMed Central Google Académico

Yang, F. et al. Predicción de MRI-Radiomics para el carcinoma hepatocelular positivo para citoqueratina 19: un estudio multicéntrico. Frente. oncol. 11, 672126 (2021).

Artículo PubMed PubMed Central Google Académico

Reel, PS, Reel, S., Pearson, E., Trucco, E. y Jefferson, E. Uso de enfoques de aprendizaje automático para el análisis de datos multiómicos: una revisión. Biotecnología. Adv. 49, 107739 (2021).

Artículo CAS PubMed Google Académico

de Melo, CM et al. Aprendizaje profundo de próxima generación basado en simuladores y datos sintéticos. Cognición de tendencias. ciencia 26, 174–187 (2022).

Artículo PubMed Google Académico

Liu, X. et al. Predicción de metástasis a distancia basada en radiómica de aprendizaje profundo en pacientes con cáncer de recto localmente avanzado después de quimiorradioterapia neoadyuvante: un estudio multicéntrico. eBioMedicine 69, 103442 (2021).

Wang, W. et al. Desarrollo y validación de una firma radiómica basada en tomografía computarizada para predecir la respuesta a la quimioterapia neoadyuvante para el cáncer gástrico localmente avanzado. Red JAMA Abierto 4, e2121143 (2021).

Artículo ADS PubMed PubMed Central Google Scholar

Ardila, D. et al. Detección integral de cáncer de pulmón con aprendizaje profundo tridimensional en tomografía computarizada de tórax de baja dosis. Nat. Medicina. 25, 954–961 (2019).

Artículo CAS PubMed Google Académico

Huang, K. et al. Predicción de la carga mutacional del tumor del cáncer colorrectal a partir de imágenes histopatológicas e información clínica mediante el aprendizaje profundo multimodal. Bioinformática (2022).

Han, Y., Wu, D., Kim, K. y Li, Q. Aprendizaje profundo integral para tomografía interior con TC de rayos X de baja dosis. física Medicina. Biol. 67, 115001 (2022).

Artículo Google Académico

Guo, M.-H. et al. Mecanismos de atención en visión artificial: una encuesta. compensación Vis. Medios 8, 331–368 (2022).

Artículo Google Académico

Bera, K., Braman, N., Gupta, A., Velcheti, V. & Madabhushi, A. Predicción de resultados de cáncer con radiómica e inteligencia artificial en radiología. Nat. Reverendo Clin. oncol. 19, 132–146 (2022).

Artículo CAS PubMed Google Académico

Descargar referencias

Este trabajo fue apoyado por el Programa clave de investigación y desarrollo de la provincia de Shaanxi, China (Subvención 2018ZDXM-SF-043) y la Fundación Nacional de Ciencias Naturales de China (Subvención 81773239).

Departamento de Oncología Radioterápica, Primer Hospital Afiliado de la Universidad Xi'an Jiaotong, Xi'an, China

Yuchen Xie, Chao Ji, Yuchen Sun, Shuliang Zhang, Mingyu Hua, Xueting Liu, Weibin Hu, Yanfang Ma, Ying Wang y Xiaozhi Zhang

Departamento de Ciencias de la Computación e Ingeniería de las Comunicaciones, Escuela de Graduados de Ciencias Fundamentales e Ingeniería, Universidad de Waseda, Tokio, Japón

qiang liu

Departamento de Oncología Radioterápica, Segundo Hospital Afiliado de la Universidad Xi'an Jiaotong, Xi'an, China

pan shupei

También puede buscar este autor en PubMed Google Scholar

Los doctores Zhang tuvieron acceso total a todos los datos del estudio y se responsabilizaron de la integridad de los datos y la precisión del análisis de datos. YX y QL contribuyeron igualmente como primeros autores, realizaron el estudio y el experimento. YS, CJ participó en el diseño del estudio. SZ, QL y YS analizaron los datos en este estudio. La colección de pacientes fue terminada por SP, MH y XLWH, YM y YW participaron en la revisión del manuscrito. El manuscrito fue escrito por YX y QL

Correspondencia a Xiaozhi Zhang.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Xie, Y., Liu, Q., Ji, C. et al. Un modelo radiómico basado en redes neuronales artificiales para predecir la respuesta a la radioterapia de pacientes con carcinoma de células escamosas de esófago avanzado: un estudio multicéntrico. Informe científico 13, 8673 (2023). https://doi.org/10.1038/s41598-023-35556-z

Descargar cita

Recibido: 25 noviembre 2022

Aceptado: 20 de mayo de 2023

Publicado: 29 mayo 2023

DOI: https://doi.org/10.1038/s41598-023-35556-z

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.

Noticias