Caracterización estructural y valoración de riesgos de fractura de vertebras humanas con metástasis mediante Machine Learning y el Cartesian Grid FEM

Abstract

[ES] En la actualidad los canceres de próstata y mama, se encuentran entre los tipos más prevalentes en España, pudiendo presentar también un alto riesgo a la hora de desarrollar una metástasis ósea en la columna vertebral, teniendo esta una prevalencia de casi el 40%. La metástasis ósea supone al mismo tiempo una disminución en la estabilidad estructural de las vértebras por la acción del tumor, derivando en un aumento en el riesgo de colapso de la vértebra y posibles heridas graves sobre la columna vertebral de la persona afectada.

Por esto mismo, actualmente el campo de investigación centrado en el estudio del análisis estructural de las vértebras afectadas por tumores metastásicos presenta un gran potencial de desarrollo en las metodologías, con el fin de mejorar la calidad de vida de los pacientes afectados.

Teniendo en cuenta la situación actual, el presente TFM propone la creación de una metodología capaz de realizar análisis estructurales personalizados. Esta metodología se basará en el uso del Cartesian Grid FEM (cgFEM), un software desarrollado por los investigadores del I2MB, capaz de crear automáticamente modelos de Elementos Finitos patient-especific, usando únicamente la información contenida en los vóxeles del TAC original.

Sin embargo, el uso de estas técnicas en el campo de la investigación médica y la salud, requiere de la obtención de resultados de los análisis estructurales de manera muy rápida, casi inmediata. Debido a esto, se propone la inclusión de algoritmos Machine Learning, con el fin de crear modelos reducidos adaptados a los pacientes, los cuales permitirán la obtención de los resultados del análisis estructural de las vértebras afectadas por un tumor esférico de cualquier tamaño, posición y densidad, siendo sus resultados obtenidos de manera inmediata muy similares a los obtenidos con el algoritmo cgFEM.

Finalmente, la creación de esta metodología, que permitirá el análisis de un gran rango de escenarios del crecimiento del tumor durante el análisis clínico, proporcionará información muy importante para la prevención del riesgo de colapso estructural y la aplicación de los tratamientos paliativos correspondientes para mejorar la calidad de vida del paciente.

[EN] Nowadays, prostate and breast cancers are among the most prevalent types of cancer in Spain, and can also present a high risk of developing bone metastasis in the spine, with a prevalence of almost 40%. Bone metastasis also involves a decrease in the structural stability of the vertebrae due to the action of the tumour, resulting in an increased risk of vertebral collapse and possible serious injuries to the spinal column of the affected person.

For this reason, the field of research currently focused on the study of the structural analysis of vertebrae affected by metastatic tumours has great potential for the development of methodologies with the aim of improving the quality of life of affected patients.

Taking into account the current situation, this TFM proposes the creation of a methodology capable of carrying out personalised structural analysis. This methodology will be based on the use of Cartesian Grid FEM (cgFEM), a software developed by I2MB researchers, capable of automatically creating patient-specific Finite Element Models, using only the information contained in the original CT voxels.

However, the use of these techniques in the field of medical research and health requires obtaining the results of the structural analysis very quickly, almost immediately. Because of this, the inclusion of Machine Learning algorithms is proposed, in order to create reduced models adapted to the patients, which will allow obtaining the results of the structural analysis of the vertebrae affected by a spherical tumour of any size, position and density, with the results obtained immediately being very similar to those obtained with the cgFEM algorithm.

Finally, the creation of this methodology, which will allow the analysis of a wide range of tumour growth scenarios during clinical analysis, will provide very important information for the prevention of the risk of structural collapse and the application of the corresponding palliative treatments to improve the patient's quality of life.