Evaluación de la supervivencia de los pacientes con cáncer de recto metastásico mediante parámetros radiómicos y volumétricos de la PET/TC con [18F]FDG de estadificación

Resumen

Objetivo

El objetivo de este estudio es predecir el pronóstico de pacientes con cáncer de recto metastásico (CRM) mediante la obtención de un modelo con algoritmos de aprendizaje automático (AA) a través de datos volumétricos y radiómicos obtenidos de la PET/TC basal.

Métodos

Pacientes con CRM que se sometieron a imágenes PET/TC con [¹⁸F]FDG para estadificación en nuestro hospital entre enero 2015 y enero de 2021 se evaluaron mediante el software LIFEx. El volumen de interés (VOI) del tumor primario fue generado. Además, se evaluaron los valores del volumen metabólico tumoral total (tMTV) y la glucólisis de lesión total (TLG) de los focos tumorales en todo el cuerpo. Se evaluaron los datos clínicos y radiómicos con algoritmos de AA para crear un modelo que predijera la supervivencia. Se investigaron asociaciones significativas entre estas características y la supervivencia a 1 y 2 años.

Resultados

El algoritmo de bosque aleatorizado fue el algoritmo más exitoso para predecir la supervivencia a 2 años (AUC: 0,843; PRC: 0,822 y CCM: 0,583). Los valores de tMTV y tTLG tuvieron éxito en la predicción de la supervivencia a un año (p 0,002 y 0,007, respectivamente).

Conclusiones

Además del importante papel de la PET/TC con [¹⁸F]FDG en la estadificación de pacientes con CRM, este estudio muestra que es posible predecir la supervivencia con métodos de AA, con parámetros obtenidos mediante el análisis de textura a partir del tumor primario y parámetros volumétricos de todo el cuerpo.

Abstract

Objective

The aim of this study was to predict the prognosis in patients with metastatic rectal cancer (mRC) by obtaining a model with machine learning (ML) algorithms through volumetric and radiomic data obtained from baseline 18-Fluorine Fluorodeoxyglucose ([¹⁸F]FDG) positron emission tomography/computed tomography (PET/CT) images.

Methods

Sixty-two patients with mRC who underwent [¹⁸F]FDG PET/CT imaging for staging between January 2015 and January 2021 were evaluated using LIFEx software. The volume of interest (VOI) of the primary tumor was generated and volumetric and textural features were obtained from this VOI. In addition, the total metabolic tumor volume (tMTV) and total lesion glycolysis (TLG) values of tumor foci in the whole body were evaluated. Clinical and radiomic data were evaluated with ML algorithms to create a model that predicts survival. Significant associations between these features and 1- and 2-year survival were investigated.

Results

The random forest algorithm was the most successful in predicting 2-year survival (AUC: 0.843, precision-recall curve: 0.822 and Matthew's correlation coefficient: 0.583). The model obtained with this algorithm was able to predict 49 patients with 79.03% accuracy. While tMTV and TLG values were successful in predicting 1-year survival (p: 0.002 and 0.007, respectively), texture characteristics of the primary tumor did not show a significant relationship with 1-year survival.

Conclusions

In addition to the important role of [¹⁸F]FDG PET/CT in staging patients with mRC, this study shows that it is possible to predict survival with ML methods, with parameters obtained using texture analysis of the primary tumor and whole body volumetric parameters.