Desarrollo de un modelo predictivo mediante técnicas de aprendizaje máquina como soporte al diagnóstico del estadio del cáncer de mama a partir del análisis de imágenes de PET/RM

Abstract

[ES] El tratamiento y pronóstico de un paciente con cáncer de mama dependen esencialmente de la estadificación en la escala TNM de dicho cáncer en particular. A la hora de determinar con seguridad el estadio del cáncer de mama se debe llevar a cabo un proceso complejo y delicado que incluye múltiples pruebas, y que a su vez puede resultar muy tedioso para el paciente. Se requieren desde técnicas invasivas como las biopsias para estudiar la afectación de los ganglios linfáticos, hasta pruebas de imagen tales como la mamografía, ecografía, resonancia magnética o tomografía computarizada para determinar así el tamaño del tumor y la posible presencia de metástasis. La obtención de imágenes por fusión de resonancia magnética (RM) con imágenes PET, nos permite obtener un estudio metabólico y morfológico que facilita la precisión en el diagnóstico de la lesión. Surge así la posibilidad de disponer de una herramienta que permita estadificar el cáncer de mama de un paciente a partir de una única prueba PET/RM, permitiendo extraer de dichas imágenes características relacionadas con la morfología, la textura y la radiómica del tumor. Por todo ello, el presente Trabajo de Fin de Grado pretende desarrollar un modelo predictivo que permita concluir si las características de las imágenes de la lesión segmentada obtenidas por PET/RM son significativas y suficientes y, en ese caso, determinar el estadio del cáncer de mama en la escala TNM. Para ello se seleccionaron de la base de datos de ASCIRES Grupo Biomédico, empresa con la que se colabora en el desarrollo del presente TFG, imágenes extraídas del equipo híbrido PET/RM de pacientes con cáncer de mama. Se segmentará en 3D el tumor de los pacientes para obtener de esta forma la región de interés (ROI) de la mama. Posteriormente, se extraerán las características de las texturas y de radiómica de dichas imágenes y, finalmente, se desarrollarán modelos predictivos en función de las características mencionadas, con el fin de evaluar la capacidad y la relevancia predictiva de cada una de ellas con relación al tamaño (T), numero de ganglios linfáticos cancerosos (N), y la presencia o no de metástasis (M).

[EN] The treatment and prognosis of a breast cancer patient depends essentially on the TNM staging of that particular cancer. In order to determine the stage of breast cancer with certainty, a complex and delicate process involving multiple tests must be carried out, which in turn can be very tedious for the patient. It requires invasive techniques such as biopsies to study lymph node involvement, as well as imaging tests such as mammography, ultrasound, magnetic resonance imaging or computed tomography to determine the size of the tumor and the possible presence of metastases. The obtaining of images by fusion of magnetic resonance imaging (MRI) with PET images allows us to obtain a metabolic and morphological study that facilitates the precision in the diagnosis of the lesion. Thus, the possibility arises of having a tool that allows the staging of a patient's breast cancer from a single PET/MRI test, making it possible to extract from these images characteristics related to the morphology, texture and radiomics of the tumor. For all these reasons, this Final Degree Project aims to develop a predictive model to conclude whether the characteristics of the images of the segmented lesion obtained by PET/MR are significant and sufficient and, if so, to determine the stage of breast cancer on the TNM scale. For this purpose, images extracted from the hybrid PET/MR equipment of patients with breast cancer were selected from the database of ASCIRES Grupo Biomédico, a company with which we are collaborating in the development of this TFG. The tumor of the patients will be segmented in 3D to obtain the region of interest (ROI) of the breast. Subsequently, texture and radiomics features will be extracted from these images and, finally, predictive models will be developed based on the features in order to evaluate the capacity and predictive relevance of each one of them in relation to size (T), number of cancerous lymph nodes (N), and the presence or not of metastasis (M).