Radiómica explicable y adaptativa a la modalidad para la predicción de metilación de MGMT en gliomas de alto grado:...

Área de la Ciencia:

• Radiómica e Imagen Médica
• Biomarcadores Oncológicos
• Aprendizaje Automático en Atención Médica

Sus antecedentes:

• La metilación del promotor MGMT es un biomarcador clave para los gliomas de alto grado (HGG), pero su evaluación requiere biopsias invasivas.
• Los métodos actuales para evaluar la metilación de MGMT son invasivos, lo que plantea riesgos y limitaciones.

Objetivo del estudio:

• Desarrollar un modelo de radiómica explicable, adaptativo a la modalidad y calibrado para la predicción no invasiva de la metilación del promotor MGMT en HGG.
• Utilizar datos de RM multicéntricos para un desarrollo y validación de modelos robustos.

Principales métodos:

• Se extrajeron características de radiómica de la RM preoperatoria (secuencias convencionales y avanzadas) de las cohortes UCSF-PDGM y UPENN-GBM.
• Se implementó un marco adaptativo a la modalidad y se optimizaron y calibraron clasificadores de aprendizaje automático.
• El rendimiento del modelo se evaluó utilizando métricas ROC, evaluación de calibración y Análisis de Curva de Decisión (DCA), con SHAP para la interpretación de características.

Principales resultados:

• El modelo LightGBM superior logró un AUC de 0.67, una recuperación de 0.90 y una precisión de 0.72 en un conjunto de prueba independiente.
• El modelo mostró una alta sensibilidad en la identificación de tumores metilados y mejoró el beneficio neto clínico.
• La atribución de características reveló contribuciones equilibradas de modalidades de RM convencionales y avanzadas, siendo las características de textura e intensidad las más influyentes.

Conclusiones:

• El modelo de radiómica desarrollado es explicable, adaptativo a la modalidad y demuestra valor clínico para la estratificación de riesgos en HGG.
• El marco es aplicable en diversos entornos de imagen, lo que respalda la predicción no invasiva de la metilación de MGMT.
• La investigación futura debe centrarse en la validación externa y la integración con otros biomarcadores para mejorar la precisión predictiva.