Análisis de la correlación de biomarcadores de imagen médica y sanguíneos para el diagnóstico y caracterización de lesiones primarias de cáncer de próstata

Abstract

[ES] El cáncer de próstata es la segunda neoplasia con más prevalencia en hombres, así como la quinta causa de muerte por cáncer a nivel mundial. Cuenta con una incidencia en España de 82 casos por 100.000 varones. En cuanto al rango de edad, la mayoría de casos se diagnostican en hombres de edad avanzada, sin embargo, debido a factores como los hábitos alimentarios, el sedentarismo y la contaminación, cada día es mayor la incidencia en jóvenes. Por tanto, existe en la actualidad la necesidad de poder realizar un diagnóstico temprano de la enfermedad con el fin de que esté en estado localizado y se pueda asegurar un tratamiento óptimo para el paciente. Ahora bien, los métodos de screening empelados hoy en día recurren a la biopsia como método clave, pero esta prueba se trata de una intervención invasiva con un alto dolor asociado para el paciente. Por ello, en se ha incorporado el uso de la resonancia magnética multiparamétrica con el fin de evaluar la lesión antes de realizar la biopsia. En el presente Trabajo Final de Grado se pretende analizar la correlación de biomarcadores sanguíneos y de imagen médica, extraídos de las secuencias T2 y ADC de RMm, con fin de crear un sistema de ayuda al diagnóstico (CDS) para caracterizar lesiones primarias del cáncer de próstata. Para ello, se cuenta con una cohorte de 98 pacientes, de los cuales 50 tienen un resultado de biopsia positiva y 48 negativa. Además, se dispone de 3 variables clínicas que son el volumen de la próstata, el valor del antígeno prostático (PSA), y la densidad del antígeno prostático (dPSA). El procedimiento consiste en segmentar las regiones de interés (ROI), que se corresponden con lesiones de la próstata, para posteriormente aplicar radiómica y extraer características tanto de textura como de forma. Concretamente, se cuenta con 93 descriptores de textura y 17 de forma por secuencia, que dan lugar a un total de 220 características. Así mismo, se aplica la transformada wavelet sobre las secuencias T2 y ADC y se extraen descriptores de textura, conformando un total de 1488 características wavelet. Por tanto, para los estudios se dispone de dos enfoques, uno con características clínicas y originales, con un total de 223 variables, y un segundo con 1711 variables puesto que se añaden las wavelet. Estas características son utilizadas para entrenar y validar modelos de aprendizaje automático para la clasificación de lesiones de la próstata. En primer lugar, se realiza una clasificación de lesiones en función del resultado positivo o negativo de la biopsia. En segundo lugar, se realiza la misma clasificación, pero añadiendo la distinción de la ubicación de la lesión, entre zona periférica y transicional. Finalmente, se realiza un último bloque de estudio en el que se clasifican las lesiones según un grupo de Gleason alto o bajo, para finalmente discernir entre valor de Gleason bajo y muy bajo, u alto y muy alto. Los resultados obtenidos para diferenciar entre biopsia positiva y negativa se sitúan en un AUC entre 0,8333-0,9258 a partir de un número de características entre 5 y 25, siendo mejor el resultado cuando se hace distinción de la localización de la lesión. En cambio, para discernir el valor de Gleason los resultados de AUC se sitúan en torno al 0,6 a partir de 3 y 6 características siendo mejor la clasificación entre alto y muy alto grado de Gleason.

[CAT] El càncer de pròstata és la segona neoplàsia amb més prevalença en homes, així com la quinta causa de mort per càncer a nivell mundial. Compta amb una incidència a Espanya de 82 casos per 100.000 barons. En quant al rang d'edat, la majoria de casos es diagnostiquen en homes d'edat avançada, no obstant això, a causa de factors com els hàbits alimentaris, el sedentarisme i la contaminació, cada dia és major la incidència en joves. Per tant, existeix en l'actualitat la necessitat de poder realitzar un diagnòstic avançat de la malaltia a fi que estiga en estat localitzat i es puga assegurar un tractament òptim per al pacient. Ara bé, els mètodes de screening utilitzats hui en dia recorren a la biòpsia com a mètode clau, però esta prova es tracta d'una intervenció invasiva amb un alt dolor associat per al pacient. Per això, s'ha incorporat l'ús de la ressonància magnètica multiparamètrica a fi d'avaluar la lesió abans de realitzar la biòpsia. En el present Treball Final de Grau es pretén analitzar la correlació de biomarcadors sanguinis i d'imatge mèdica, extrets de les seqüències T2 i ADC de RMm, amb fi de crear un sistema d'ajuda al diagnòstic (CDS) per a caracteritzar lesions primàries del càncer de pròstata. Per a això, es compta amb una cohort de 98 pacients, dels quals 50 tenen un resultat de biòpsia positiva i 48 negativa. A més, es disposa de 3 variables clíniques com són el volum de la pròstata, el valor de l'antigen prostàtic (PSA) , i la densitat de l'antigen prostàtic (dPSA) . El procediment consisteix en segmentar les regions d’interés (ROI), que es corresponen amb les lesions de la pròstata, per a posteriorment aplicar radiómica i extraure característiques tant de textura com de forma. Concretament, es compta amb 93 descriptors de textura i 17 de forma per seqüència, que donen lloc a un total de 220 característiques. Així mateix, s'aplica la transformada wavelet sobre les seqüències T2 i ADC i s'extrauen descriptors de textura, conformant un total de 1488 característiques wavelet. Per tant, per als estudis es disposa de dos enfocaments, un amb característiques clíniques i originals, amb un total de 223 variables, i un segon amb 1711 variables ja que s’afigen les wavelet. Estes característiques són utilitzades per a entrenar i validar models d’aprenentatge automàtic per a la classificació de lesions de la pròstata. En primer lloc, es realitza una classificació de lesions en funció del resultat positiu o negatiu de la biòpsia. En segon lloc, es realitza la mateixa classificació, però afegint la distinció de la ubicació de la lesió, entre zona perifèrica i transicional. Finalment, es realitza un últim bloc d'estudi en què es classifiquen les lesions segons un grup de Gleason alt o baix, per a finalment discernir entre valor de Gleason baix i molt baix, o alt i molt alt Els resultats obtinguts per a diferenciar entre biòpsia positiva i negativa se situen en un AUC entre 0,8333-0,9258 a partir d'un nombre de característiques entre 5 i 25, sent millor el resultat quan es fa distinció de la localització de la lesió. En canvi, per a discernir el valor de Gleason els resultats d'AUC se situen entorn del 0,6 a partir de 3 i 6 característiques sent millor la classificació entre alt i molt alt grau de Gleason.

[EN] Prostate cancer is the second most prevalent neoplasm in men, as well as the fifth leading cause of cancer death worldwide. It has an incidence in Spain of 82 cases per 100,000 men. As for the age range, most cases are diagnosed in older men, however, due to factors such as eating habits, sedentary lifestyles, and pollution, the incidence is increasing in young people. Therefore, there is currently a need to be able to make an early diagnosis of the disease so that it is in a localized state and optimal treatment can be ensured for the patient. However, the screening methods used today rely on biopsy as the key method, but this test is an invasive procedure with high pain associated with it for the patient. For this reason, the use of multiparametric magnetic resonance imaging has been incorporated in order to evaluate the lesion before performing the biopsy. In the present Final Degree Project, we present an analysis of the correlation of blood and medical imaging biomarkers, extracted from T2 and ADC sequences of MRI, in order to create a diagnostic support system (CDS) to be able to characterize primary lesions of prostate cancer. For this purpose, a cohort of 98 patients is available, of which 50 have a positive biopsy result and 48 negatives. In addition, 3 clinical variables such as prostate volume, prostate antigen value (PSA), and prostate antigen density (dPSA) are available. The procedure consists of segmenting the ROIs, which correspond to prostate lesions, and then applying radiomics to extract both textural and shape features. Specifically, there are 93 texture descriptors and 17 shape descriptors per sequence, resulting in a total of 220 features. Likewise, the wavelet transform is applied to the T2 and ADC sequences, and texture descriptors are extracted, confirming a total of 1488 wavelet features. Therefore, two approaches are available for the studies, one with clinical and original features, with a total of 223 variables, and a second one with 1711 variables since it adds the wavelet ones. These features are used to train and validate machine learning models for prostate lesion classification. First, lesion classification is performed based on the positive or negative biopsy result. Secondly, the same classification is performed but adding the distinction of lesion location, between peripheral and transitional zone. Finally, a last block of study is performed in which the lesions are classified according to a high or low Gleason group, to finally discern between low and very low, or high and very high Gleason values. The results obtained to differentiate between positive and negative biopsy are situated in an AUC between 0.8333-0.9258 from a number of characteristics between 5 and 25, the result being better when distinguishing the location of the lesion. On the other hand, to discern the Gleason value, the AUC results are around 0.6 from 3 and 6 features, being better the classification between high and very high Gleason grades.