Análisis de nuevos biomarcadores para el estudio de la esquizofrenia siguiendo un enfoque radiómico sobre imágenes de RM y PET

Abstract

[ES] El estudio de enfermedades neurológicas mediante imagen médica ha supuesto la consolidación de la neuroimagen como una herramienta complementaria al diagnóstico psiquiátrico convencional. Tradicionalmente, este estudio psiquiátrico en enfermedades como la esquizofrenia se basaba en el diagnóstico introspectivo del neurocirujano mediante escalas de estratificación clínica, lo que conllevaba una disparidad y heterogeneidad en los síntomas y resultados obtenidos mediante los diversos tratamientos. Es por ello que existe la necesidad de determinar biomarcadores de la enfermedad para una adecuada clasificación y reconocimiento de pacientes esquizofrénicos, así como definir una técnica alternativa de medición no invasiva frente a otros tratamientos convencionales basados en la administración de fármacos o procedimientos invasivos. Para intentar resolver estas cuestiones, en el presente trabajo se ha propuesto un método basado en la extracción de texturas de diferentes regiones cerebrales, tanto en imágenes de resonancia magnética (RM) como de Tomografía por Emisión de Positrones (PET), en combinación con técnicas de aprendizaje máquina, todo ello siguiendo un enfoque radiómico, con el fin último de diagnosticar la esquizofrenia. El estudio de la radiómica hace referencia a un método de extracción de datos cuantitativos de las imágenes médicas para un diagnóstico de dimensión cuantitativa, no puramente cualitativa. Para ello, es necesaria la extracción de texturas para cuantificar diferentes descriptores en las áreas cerebrales de interés, con los que poder llevar a cabo una clasificación de aquellos que ofrezcan una mayor precisión significativa a la hora de realizar un diagnóstico discriminatorio entre un paciente con esquizofrenia y un sujeto de control. Las imágenes necesarias para la realización de dicho análisis han sido proporcionadas por el centro de investigación Forschungszentrum Jülich (Jülich, Alemania), con quién se ha colaborado para el desarrollo del presente Trabajo de Fin de Grado y se ha contado con las imágenes de RM y de PET de un total de 34 participantes (17 esquizofrénicos y 17 sujetos de control). Con estas imágenes se ha realizado una extracción de características radiómicas utilizando cuatro métodos estadísticos diferentes, haciendo uso de la toolbox de Radiomics para MATLAB implementada por Martin Vallières y colaboradores. Los resultados de las texturas obtenidas para las diferentes regiones del cerebro han sido utilizados para desarrollar modelos predictivos con el fin de evaluar y clasificar, mediante métodos de selección de características, aquellas características con una mayor capacidad predictiva para el diagnóstico de la enfermedad de la esquizofrenia. Los resultados obtenidos en este Trabajo Fin de Grado han demostrado que con el enfoque radiómico es posible clasificar la esquizofrenia con buena precisión, tanto en imágenes de RM (89% en términos del AUC en el área cerebral del córtex del cíngulo posterior para el mejor clasificador) como con imágenes de PET (AUC del 82% en el área cerebral frontal). Especialmente, los modelos de clasificación con mejor rendimiento coinciden con el SVM Lineal y el Naive Bayes, las texturas más usadas por estos modelos se corresponden con los métodos de extracción GLSZM y GLRLM, mientras que los mejores resultados se han obtenido con 16 y 64 niveles de gris.

[EN] The field of study of neurological diseases by means of medical imaging has entailed the consolidation of neuroimaging as a complementary tool to conventional psychiatric diagnosis. Traditionally, the psychiatric study in diseases such as schizophrenia was based on the neurosurgeon's introspective diagnosis through clinical stratification factors and score-scales, which led to heterogeneity and discrepancy in the symptoms and results acquired by divergent treatments. Therefore, it is required to determine biomarkers of the disease for an adequate classification and examination of schizophrenic patients, as well as the necessity to define an alternative and non-invasive measurement technique in contrast to conventional treatments based on drug administration or even invasive procedures. In order to try to solve these questions, in this paper we have proposed a method based on texture extraction from different brain regions, both in magnetic resonance imaging (MRI) and Positron Emission Tomography (PET), in combination with machine learning techniques, all of that following a radiomic approach, with the last aim of diagnosing schizophrenia. The study of radiomics refers to a method of extracting quantitative data from medical images with which to elaborate a diagnosis of quantitative dimension, not purely qualitative. For this purpose, it is necessary to extract textures to quantify different descriptors in the areas of interest of the brain, with which to make a classification of those that offer greater significant precision in order to develop a discriminatory diagnosis between a patient with schizophrenia and a control subject. The images required for this analysis have been provided by the research centre "Forschungszentrum Jülich" (Jülich, Germany), with whom we will collaborate for the development of this Final Degree Project. Moreover, we will consider MR and PET images of a total of 34 participants (17 schizophrenics and 17 control subjects). An extraction of radiomic features will be performed using five different statistical methods, making use of the Radiomics toolbox for MATLAB implemented by Martin Vallières and collaborators. The results of the textures obtained for the different brain regions have been used to develop predictive models so as to evaluate and classify, using different feature selection methods, those features with a higher predictive power for the diagnosis of the schizophrenia disease. The results obtained in this Final Degree Project have shown that with the radiomic approach it is possible to classify schizophrenia with good accuracy, both in MR images (89% in terms of AUC in the posterior cingulate cortex brain area for the best classifier) and with PET images (AUC of 82% in the frontal brain area). Especially, the best most used classification models coincide with Linear SVM and Naive Bayes, the most used textures by these models correspond with GLSZM and GLRLM extraction methods, while the best results have been obtained with 16 and 64 gray levels.