Acceso usuarios
[1]
;
Pablo Segura
[1]
;
Florencio Segura
[1]
Argentina
Objetivo: Determinar el grado de agresividad tumoral mediante técnicas de inteligencia artificial utilizando imágenes de resonancia magnética de sarcomas con grado histológico comprobado.
Materiales y Métodos: Dos cohortes retrospectivas independientes de pacientes con sarcomas de partes blandas. Para cada paciente de las dos cohortes se adquirieron tres tipos de secuencias de imágenes como indican los protocolos clínicos: potenciadas en T1, en T2 con supresión grasa (T2FS) y STIR. A fin de desarrollar el modelo de inteligencia artificial, se utilizaron 134 imágenes, tanto las de alto grado como las de bajo grado, en T1 y T2 tomando la imagen más representativa del tumor en cualquier corte. Esto se traduce en 36 millones de píxeles que serán analizados por el programa Landing AI.
Resultados: La precisión promedio del modelo fue del 84,3% y la sensibilidad, del 73,3%, con un umbral de confianza de 0,66, lo que demuestra inicialmente que se obtuvo un modelo de buena calidad para predecir con imágenes de resonancia magnética el grado de agresividad de un sarcoma de partes blandas antes de la biopsia.
Conclusiones: Se presenta un enfoque novedoso para abordar un tipo de enfermedad infrecuente usando técnicas de inteligencia artificial para determinar el grado tumoral en imágenes de resonancia magnética. Según los resultados de nuestro modelo, se lo puede considerar como una segunda opinión experta al realizar los estudios por imágenes antes de la biopsia.
Objective: To determine the degree of tumor aggressiveness by means of artificial intelligence techniques using magnetic reso-nance images of sarcomas with proven histological grade. Materials and Methods: Two independent cohorts of patients with soft tissue sarcomas (STS) were retrospectively collected. For each patient in the two cohorts, three types of imaging sequences were acquired as indicated by the clinical protocols: T1-weighted (T1), fat-suppressed T2-weighted (FST2) and STIR. For the develop-ment of the artificial intelligence model, 134 images were used, both high-grade and low-grade T1 and T2 images, taking the most representative image of the tumor at any slice. This translated into more than 36 million pixels that were analyzed by the Landing AI program. Results: To determine the degree of tumor aggressiveness by means of artificial intelligence techniques using magnetic resonance The model’s average accuracy was 84.3%, and its sensitivity was 73.3%, with a confidence threshold of 0.66, indicating that a good quality model was generated for predicting the grade of aggressiveness of an STS prior to biopsy using MRI scans. Conclusions: A novel approach is presented to address a rare pathology using artificial intelligence techniques to determine the tumor grade based on nuclear magnetic resonance images. Based on the results of our model, it can be considered as a second expert opinion when performing imaging studies prior to biopsy.
