Un estudio piloto sobre la precisión cuantitativa y la estabilidad de las características radiómicas de la...

Área de la Ciencia:

• Imágenes médicas
• La inteligencia artificial en la medicina
• Radiología

Sus antecedentes:

• La reconstrucción de aprendizaje progresivo profundo (DPR) es un nuevo algoritmo de aprendizaje profundo para imágenes PET.
• Sus efectos sobre las métricas cuantitativas y la estabilidad de las características radiómicas no se comprenden completamente.

Objetivo del estudio:

• Evaluar sistemáticamente la DPR con respecto a la maximización convencional de la expectativa del subconjunto ordenado (OSEM) en las imágenes de PET del cáncer de pulmón de células no pequeñas (NSCLC).
• Evaluar el impacto de la DPR en las métricas cuantitativas (SUV, CNR, ruido) y la estabilidad de las características radiómicas.

Principales métodos:

• Análisis retrospectivo de los datos PET de 24 pacientes con NSCLC.
• Reconstrucción usando OSEM y tres niveles de fuerza DPR.
• Comparación de SUV, CNR y ruido de fondo.
• Cuantificación de la estabilidad de las características radiómicas (93 características) utilizando el coeficiente de variación intrapaciente (COV_RF).

Principales resultados:

• DPR aumentó significativamente SUV, especialmente en los tumores más pequeños.
• La calidad de la imagen disminuyó con mayores intensidades de DPR; solo la intensidad de DPR más baja mejoró la CNR.
• La estabilidad de las características radiómicas varió: el 33,3% fue robusto (mediana de COV < sub> RF < sub> ≤ 10%), mientras que el 40,9% fue inestable.
• Las características comúnmente utilizadas como glcm_Contrast eran altamente inestables.

Conclusiones:

• DPR ofrece una compensación entre la cuantificación mejorada de SUV y la calidad de imagen, lo que requiere la optimización de parámetros.
• La estabilidad de las características radiómicas depende en gran medida del algoritmo de reconstrucción.
• El uso confiable de técnicas avanzadas de reconstrucción como la DPR requiere una selección de características robustas basada en la evidencia.