Novas Descobertas sobre a Detecção da Osteorradionecrose
Estudo revela potencial para detecção precoce de ORNJ usando radiômica.
Abdallah SR Mohamed PhD, MD Anderson Head and Neck Cancer Symptom Working Group, S. Kamel, L. Humbert-Vidan, Z. Kaffey, A. Abusaif, D. T. A. Fuentes, K. A. Wahid, C. Dede, M. A. Naser, R. He, A. W. Moawad, K. M. Elsayes, M. M. Chen, A. O. Otun, J. Rigert, M. Chambers, A. Hope, E. Watson, K. K. Brock, K. A. Hutcheson, L. V. van Dijk, A. C. Moreno, S. Y. Lai, C. D. Fuller, A. S. Mohamed
― 7 min ler
Índice
A Osteorradionecrose da mandíbula (ORNJ) é uma condição séria que pode acontecer depois que as pessoas fazem radioterapia (RT) para câncer de cabeça e pescoço. Essa condição pode tornar a vida difícil para quem sobrevive, especialmente para os pacientes com câncer orofaríngeo, que afeta a área da garganta. Mesmo com a queda nas taxas de tabagismo, mais pessoas estão desenvolvendo câncer orofaríngeo devido ao aumento dos casos ligados ao papilomavírus humano (HPV). É esperado que muitos pacientes com câncer orofaríngeo localmente avançado recebam radiação como tratamento principal e tenham uma alta chance de sobreviver por muito tempo. No entanto, esses sobreviventes enfrentam um risco maior de problemas de longo prazo devido à RT, como a ORNJ.
Importância do Diagnóstico Precoce
Detectar e tratar a ORNJ precocemente é essencial, especialmente para os pacientes em alto risco. Esses pacientes podem não conseguir seguir diretrizes rígidas durante a RT porque os tumores estão muito próximos do osso da mandíbula. Atualmente, os médicos usam métodos preventivos simples para reduzir o risco de ORNJ. Isso inclui remover dentes danificados antes da radioterapia e evitar extrações dentárias nas áreas tratadas com radiação após a terapia. Há uma necessidade de desenvolver novas estratégias que ajudem a identificar áreas da mandíbula em risco de ORNJ, permitindo um cuidado preventivo melhor.
O Papel da Radiômica
A radiômica é uma técnica usada para analisar imagens médicas e extrair informações importantes delas. Ao transformar imagens em dados que podem ser estudados, as características Radiômicas podem ajudar a descrever qualidades como textura, forma e tamanho de áreas específicas na mandíbula. Essas características podem revelar detalhes que não são visíveis a olho nu e podem ser importantes para prever os resultados do tratamento, como taxas de sobrevivência e complicações.
Neste estudo, queremos olhar como a análise de características radiômicas pode ser usada em tomografias computadorizadas (CECT) com contraste padrão. Nosso objetivo é diferenciar entre ORNJ e osso da mandíbula normal em pacientes que fizeram radioterapia para câncer de cabeça e pescoço. Esse trabalho é um passo necessário para encontrar uma forma de detectar mudanças na mandíbula que indiquem ORNJ antes que seja diagnosticado pelos métodos tradicionais.
Desenho do Estudo e Seleção de Pacientes
Realizamos um estudo retrospectivo com a aprovação de um comitê de ética. Analisamos pacientes tratados em um grande centro de câncer de 2008 a 2018. Começamos com um número grande de casos e fizemos uma triagem para garantir que fossem relevantes. Pacientes foram incluídos no estudo se apresentassem sinais claros de ORNJ em suas imagens, como áreas de osso morto, erosão da superfície óssea e problemas nos tecidos moles.
Depois de excluir pacientes com certas condições, acabamos com um grupo final de 150 pacientes. O principal objetivo dessa parte do estudo era confirmar o diagnóstico de ORNJ com base nas imagens.
Aquisição de Imagem e Segmentação
Todas as tomografias foram feitas com um tipo específico de scanner. As imagens foram feitas para mostrar detalhes da mandíbula. O processo de imagem seguiu diretrizes rigorosas para garantir qualidade. As áreas da mandíbula afetadas pela ORNJ foram cuidadosamente contornadas por um profissional treinado usando software especializado para evitar incluir tecidos saudáveis. Também criamos áreas de controle na parte saudável da mandíbula para comparação.
Extraindo Características Radiômicas
Usamos uma ferramenta específica para extrair características radiômicas das áreas que definimos. Focamos em várias características que poderiam nos ajudar a entender as diferenças entre a ORNJ e os tecidos saudáveis. No total, extraímos 1.316 características, concentrando-se em aspectos como forma, textura e intensidade.
Para preparar os dados para a análise, dividimos em um conjunto de treinamento e um conjunto de teste. Essa abordagem ajudou a construir um modelo e testar seu desempenho. Garantimos padronizar os dados para eliminar qualquer viés que pudesse afetar os resultados.
Construindo e Avaliando o Modelo
Usando os dados de treinamento, desenvolvemos um modelo para classificar ORNJ versus tecido saudável. Um tipo específico de modelo estatístico foi usado para analisar os dados, e selecionamos cuidadosamente as características que mais contribuíram para o desempenho do modelo. Encontramos um conjunto de 67 características importantes que ajudaram a distinguir entre as duas condições.
O modelo teve um bom desempenho nos testes. Ele atingiu um alto nível de precisão, identificando corretamente a ORNJ em muitos casos. Também se mostrou confiável na previsão de tecido saudável.
Entendendo as Decisões do Modelo
Para entender como o modelo fez suas previsões, analisamos de perto as características que ele identificou como importantes. Ao analisar essas características, pudemos ver quais eram críticas para distinguir a ORNJ do tecido saudável. Algumas características mostraram que valores mais altos estavam ligados à ORNJ, enquanto valores mais baixos estavam conectados ao tecido saudável.
Essa análise detalhada proporcionou uma visão mais clara do que o modelo estava vendo nas imagens, permitindo-nos entender a relação entre as características da imagem e a presença de ORNJ.
Implicações Clínicas
O uso da análise radiômica nos cuidados com o câncer está se tornando mais comum. Oferece novas maneiras de prever os resultados do tratamento e detectar complicações precocemente. Neste estudo, demonstramos que uma abordagem radiômica pode ser útil para identificar a ORNJ. Ao focar na análise de textura de imagens de tomografia, podemos potencialmente detectar a ORNJ antes que se torne clinicamente evidente.
Os resultados do nosso estudo são promissores, mostrando que conseguimos identificar a ORNJ com precisão usando tomografias CECT. O modelo que desenvolvemos pode ser uma ferramenta importante para os médicos no futuro, permitindo que eles escolham o melhor curso de ação para pacientes em risco de desenvolver ORNJ após a radioterapia.
Limitações e Trabalho Futuro
Embora o estudo tenha encontrado resultados sólidos, existem algumas limitações. O modelo foi desenvolvido com base em pacientes já diagnosticados com ORNJ, então sua eficácia em estágios mais precoces da condição precisa de mais atenção. Pode haver diferenças em como o modelo se comporta ao analisar tecidos que ainda não estão afetados pela ORNJ, mas podem ficar no futuro.
Além disso, mesmo que vários médicos tenham confirmado o diagnóstico de ORNJ, ainda há variações em como os casos são classificados e avaliados. Estudos futuros devem incluir uma gama mais ampla de casos, especialmente em estágios mais precoces, para melhorar a precisão do modelo.
Os próximos passos envolverão testar o modelo em novos pacientes para ver se ele pode identificar áreas em risco antes que sintomas visíveis apareçam. A validação bem-sucedida significaria que também poderíamos explorar opções de tratamento para aqueles em risco, potencialmente melhorando os resultados e a qualidade de vida dos pacientes.
Em conclusão, este estudo destaca o potencial do uso da radiômica para a detecção precoce da ORNJ em pacientes submetidos à radioterapia. Aproveitando os avanços em imagem e análise de dados, podemos buscar melhorar o cuidado e os resultados para sobreviventes de câncer que enfrentam desafios de efeitos colaterais como a osteorradionecrose.
Título: Computed tomography radiomics-based cross-sectional detection of mandibular osteoradionecrosis in head and neck cancer survivors
Resumo: PurposeThis study aims to identify radiomic features extracted from contrast-enhanced CT scans that differentiate osteoradionecrosis (ORN) from normal mandibular bone in patients with head and neck cancer (HNC) treated with radiotherapy (RT). Materials and MethodsContrast-enhanced CT (CECT) images were collected for 150 patients (80% train, 20% test) with confirmed ORN diagnosis at The University of Texas MD Anderson Cancer Center between 2008 and 2018. Using PyRadiomics, radiomic features were extracted from manually segmented ORN regions and the corresponding automated control regions, the later defined as the contralateral healthy mandible region. A subset of pre-selected features was obtained based on correlation analysis (r > 0.95) and used to train a Random Forest (RF) classifier with Recursive Feature Elimination. Model explainability SHapley Additive exPlanations (SHAP) analysis was performed on the 20 most important features identified by the trained RF classifier. ResultsFrom a total of 1316 radiomic features extracted, 810 features were excluded due to high collinearity. From a set of 506 pre-selected radiomic features, the optimal subset resulting on the best discriminative accuracy of the RF classifier consisted of 67 features. The RF classifier was well calibrated (Log Loss 0.296, ECE 0.125) and achieved an accuracy of 88% and a ROC AUC of 0.96. The SHAP analysis revealed that higher values of Wavelet-LLH First-order Mean and Median were associated with ORN of the jaw (ORNJ). Conversely, higher Exponential GLDM Dependence Entropy and lower Square First-order Kurtosis were more characteristic of normal mandibular tissue. ConclusionThis study successfully developed a CECT-based radiomics model for differentiating ORNJ from healthy mandibular tissue in HNC patients after RT. Future work will focus on the detection of subclinical ORNJ regions to guide earlier interventions.
Autores: Abdallah SR Mohamed PhD, MD Anderson Head and Neck Cancer Symptom Working Group, S. Kamel, L. Humbert-Vidan, Z. Kaffey, A. Abusaif, D. T. A. Fuentes, K. A. Wahid, C. Dede, M. A. Naser, R. He, A. W. Moawad, K. M. Elsayes, M. M. Chen, A. O. Otun, J. Rigert, M. Chambers, A. Hope, E. Watson, K. K. Brock, K. A. Hutcheson, L. V. van Dijk, A. C. Moreno, S. Y. Lai, C. D. Fuller, A. S. Mohamed
Última atualização: 2024-09-12 00:00:00
Idioma: English
Fonte URL: https://www.medrxiv.org/content/10.1101/2024.09.11.24313485
Fonte PDF: https://www.medrxiv.org/content/10.1101/2024.09.11.24313485.full.pdf
Licença: https://creativecommons.org/licenses/by/4.0/
Alterações: Este resumo foi elaborado com a assistência da AI e pode conter imprecisões. Para obter informações exactas, consulte os documentos originais ligados aqui.
Obrigado ao medrxiv pela utilização da sua interoperabilidade de acesso aberto.