Predicción de mutaciones BRAFV600E en el carcinoma papilar de tiroides mediante seis algoritmos de aprendizaje automático basados ​​en elastografía ultrasónica

Oct 13, 2023

Scientific Reports volumen 13, número de artículo: 12604 (2023) Citar este artículo

Detalles de métricas

La mutación BRAF más común es la mutación sin sentido de timina (T) a adenina (A) en el nucleótido 1796 (T1796A, V600E). El gen BRAFV600E codifica una quinasa dependiente de proteínas (PDK), que es un componente clave de la vía de la proteína quinasa activada por mitógenos y esencial para controlar la proliferación, diferenciación y muerte celular. La mutación BRAFV600E hace que la PDK se active de manera inadecuada y continua, lo que resulta en una proliferación y diferenciación anormales en PTC. Basado en las características radiómicas de la elastografía por ultrasonido (EE. UU.), este estudio busca crear y validar seis algoritmos distintos de aprendizaje automático para predecir la mutación BRAFV6OOE en pacientes con PTC antes de la cirugía. Este estudio empleó datos de imágenes de elastografía de deformación ecográfica de rutina de 138 pacientes con PTC. Los pacientes fueron separados en dos grupos: los que no tenían la mutación BRAFV600E (n = 75) y los que sí tenían la mutación (n = 63). Los pacientes fueron asignados aleatoriamente a uno de dos conjuntos de datos: entrenamiento (70%) o validación (30%). A partir de imágenes ecográficas de elastografía de deformación, se recuperaron un total de 479 características radiómicas. Se utilizaron el coeficiente de correlación de Pearson (PCC) y la eliminación recursiva de características (RFE) con validación cruzada estratificada diez veces para disminuir las características. Basado en características radiómicas seleccionadas, seis algoritmos de aprendizaje automático que incluyen máquina de vectores de soporte con núcleo lineal (SVM_L), máquina de vectores de soporte con núcleo de función de base radial (SVM_RBF), regresión logística (LR), Naïve Bayes (NB), K-vecinos más cercanos (KNN) y el análisis discriminante lineal (LDA) se compararon para predecir la posibilidad de BRAFV600E. La precisión (ACC), el área bajo la curva (AUC), la sensibilidad (SEN), la especificidad (SPEC), el valor predictivo positivo (PPV), el valor predictivo negativo (NPV), el análisis de la curva de decisión (DCA) y las curvas de calibración de Los algoritmos de aprendizaje automático se utilizaron para evaluar su desempeño. ① El rendimiento de diagnóstico de los algoritmos de aprendizaje automático dependía de 27 características radiómicas. ② Las AUC para NB, KNN, LDA, LR, SVM_L y SVM_RBF fueron 0,80 (intervalo de confianza [IC] del 95 %: 0,65–0,91), 0,87 (IC del 95 %: 0,73–0,95), 0,91 (IC del 95 %: 0,79–0,98) , 0,92 (IC del 95%: 0,80–0,98), 0,93 (IC del 95%: 0,80–0,98) y 0,98 (IC del 95%: 0,88–1,00), respectivamente. ③ Hubo una diferencia significativa en la ecogenicidad, las relaciones de diámetro vertical y horizontal y la elasticidad entre los pacientes con PTC con BRAFV600E y los pacientes con PTC sin BRAFV600E. Los algoritmos de aprendizaje automático basados ​​en características radiómicas de elastografía estadounidense son capaces de predecir la probabilidad de BRAFV600E en pacientes con PTC, lo que puede ayudar a los médicos a identificar el riesgo de BRAFV600E en pacientes con PTC. Entre los seis algoritmos de aprendizaje automático, la máquina de vectores de soporte con función de base radial (SVM_RBF) logró el mejor ACC (0,93), AUC (0,98), SEN (0,95), SPEC (0,90), PPV (0,91) y NPV (0,95). ).

La mutación BRAFV600E contribuye significativamente al fenotipo del carcinoma papilar de tiroides (PTC), lo que ayuda en el diagnóstico y diagnóstico diferencial del PTC antes de la cirugía1,2. El diagnóstico de BRAFV600E requiere pruebas genéticas del eluato celular mediante aspiración con aguja fina (AAF) guiada por ultrasonido, que es invasiva. El examen citológico mediante PAAF guiado por ultrasonido de los nódulos tiroideos puede diagnosticar PTC antes de la cirugía, pero del 15% al ​​30% de los resultados citológicos pertenecen a la definición del sistema Bethesda con resultados de detección inciertos (incluido Bethesda Tipo III: lesiones atípicas o lesiones foliculares de significado desconocido ( AUS/FLUS), Tipo IV: tumores foliculares/sospecha de tumores foliculares, y Tipo V: sospecha de tumores malignos (SUSP)). Por lo tanto, la "Recomendación de manejo y riesgo maligno de clasificación TBSRTC" recomienda la citología FNA combinada con la detección de la mutación BRAFV600E, pero todas son invasivas. Como resultado, es fundamental en la práctica clínica adoptar enfoques no invasivos para pronosticar el estado de las mutaciones BRAFV600E, a fin de reducir la tasa de detección molecular y de FNA.

Más importante aún, según investigaciones anteriores, se cree que la mutación BRAFV600E en los tumores de tiroides es un signo de enfermedad grave y mortalidad relacionada con el PTC3. Es interesante señalar que la presencia de la mutación BRAFV600E se ha convertido en un marcador molecular más fiable para la recurrencia de PTC3. Por lo tanto, encontrar mutaciones BRAFV600E en tumores de tiroides tiene implicaciones para el pronóstico y sirve como marcador de recurrencia tumoral. La mutación BRAFV600E también está fuertemente relacionada con la existencia de extensión extratiroidea (ETE) y metástasis en los ganglios linfáticos cervicales (CLNM) en pacientes con PTC, lo que sugiere una invasión4,5. Jin et al.6 observaron una relación sustancial entre la mutación BRAFV600E con CLNM y ETE en una investigación de Mayo Clinic. Xing et al.7 revelaron un vínculo estrecho entre la mutación BRAFV600E y ETE, CLNM y etapas avanzadas de la enfermedad en una gran investigación multicéntrica internacional integral. Incluso si cualquiera de las mutaciones genéticas es capaz de identificar tipos de cáncer agresivos, el análisis genético aún requiere una muestra de tejido para su examen, que a menudo se recolecta mediante procedimientos quirúrgicos invasivos. Además, la identificación de tumores mediante muestras de biopsia mediante PAAF de nódulos tipo 4a es difícil porque las células tumorales varían en cantidad, calidad y pureza8. Por tanto, un método de detección de mutaciones BRAFV600E sensible y preciso ayudará a la detección temprana de PTC9. Debido a que las mutaciones del gen BRAFV600E producen el 99,8% de los nódulos malignos, es un marcador tumoral importante para el PTC.

Con la creciente popularidad de la tecnología de ablación térmica de tumores (microondas, radiofrecuencia y láser) en China, un número cada vez mayor de pacientes con PTC, particularmente aquellos con cáncer papilar de tiroides mínimo (MPTC), están dispuestos a aceptar la ablación térmica como un método mínimamente invasivo. Procedimiento para maximizar la preservación de la función tiroidea. Como resultado, la detección preoperatoria adecuada del estado de BRAFV600E en pacientes con PTC es fundamental para que los pacientes elijan los métodos de terapia. Actualmente, en China se prefiere la cirugía a la ablación para el PTC altamente invasivo.

El principal método de imagen para evaluar los nódulos tiroideos es la ecografía (US)10. Recientemente se ha descubierto que la ecografía en escala de grises puede predecir la mutación de BRAFV600E en PTC. Sin embargo, los hallazgos aún están en debate11,12, lo que puede estar relacionado con los inconvenientes de la imagen ecográfica convencional, como su dependencia de la experiencia del radiólogo y la variación interobservador13. La capacidad de un tejido para resistir la deformación cada vez que se ejerce una fuerza sobre él o para restaurar su forma inicial cuando se retira esa fuerza se llama elasticidad, que es lo que la elastografía suele examinar en los tejidos. Dependiendo de la tecnología Doppler US, las imágenes de deformación pueden presentarse en escala de grises o en colores que reflejen la rigidez y elasticidad de los tejidos14,15,16,17. La elastografía también se basa en la escala de grises de EE. UU., que también es subjetiva y depende del operador. Ha habido varios avances significativos para aumentar el rendimiento de la elastografía ecográfica, como la estimación de la elastografía a partir de imágenes Doppler utilizando algoritmos de diferencia central y mínimos cuadrados17.

El análisis radiómico utilizando imágenes ecográficas se ha utilizado para pronosticar las características moleculares de varias neoplasias malignas, entre las que se incluye el PTC18,19. La inteligencia artificial (IA) se ha expandido considerablemente en los últimos años como herramienta de análisis de datos de vanguardia en el campo médico20. Gracias a sus amplios conjuntos de datos digitales, la radiología en particular es muy adecuada para AI21. Recientemente, ha habido mucho interés en el área médica en el uso de la radiómica junto con el aprendizaje automático, que es un subconjunto importante de la IA y desempeña un enorme papel de apoyo en el aumento de la precisión del diagnóstico y el pronóstico22,23. Sin embargo, actualmente hay pocos estudios que utilicen modelos de aprendizaje automático principalmente en datos de elastografía radiómica estadounidense para detectar la existencia de la mutación BRAFV6OOE en PTC. Tampoco ha habido ninguna investigación que haya empleado diferentes clasificadores de aprendizaje automático para evaluar BRAFV6OOE en pacientes con PTC utilizando características radiómicas de elastografía estadounidense. Basado en las características radiómicas de la elastografía estadounidense, este estudio busca crear y validar seis algoritmos distintos de aprendizaje automático para predecir la mutación BRAFV6OOE en pacientes con PTC antes de la cirugía.

Se realizó un análisis retrospectivo en pacientes con PTC que se habían sometido a elastografía ecográfica de tiroides preoperatoria, diagnóstico de mutación BRAFV600E y cirugía en el Hospital Popular afiliado a la Universidad de Jiangsu y el hospital de medicina tradicional china del distrito de Nanjing Lishui entre enero de 2014 y 2021. El proceso de inscripción se muestra en la figura 1. En este estudio se analizaron 138 PTC de 138 pacientes (edad media, 41,63 ± 11,36 [rango, 25-65] años). Los pacientes se dividieron en un grupo sin mutación BRAFV600E (n = 75) y un grupo con mutación BRAFV600E (n = 63). Utilizando una técnica de muestra estratificada en una proporción de 7:3, todos los pacientes fueron asignados aleatoriamente al grupo de entrenamiento (n = 96) o al grupo de validación (n = 42). Se requirieron los siguientes criterios para la inclusión: patología postoperatoria indicó PTC; evaluación preoperatoria de elastografía ecográfica de tiroides; imágenes ecográficas relacionadas y resultados de diagnóstico; diámetro máximo del nódulo > 5 mm y < 5 cm; y lesión focal unilateral y única. Los criterios de exclusión incluyeron un diámetro máximo de nódulo de > 5 cm y imágenes ecográficas poco claras de nódulos causados ​​por artefactos. Se documentaron los detalles clínicos de los pacientes inscritos, incluida la edad, el sexo, el diámetro del nódulo, la ubicación del nódulo, el eco nodular, el límite del nódulo, el flujo sanguíneo interno y periférico del nódulo, la clasificación elástica del nódulo, la calcificación, los resultados de CLNM y mutación BRAFV600E. El Hospital Popular afiliado a la Universidad de Jiangsu y el hospital de medicina tradicional china del Comité de Ética del distrito de Nanjing Lishui aprobaron este estudio. Al ser de naturaleza retrospectiva, no requirió consentimiento informado por escrito.

Diagrama esquemático de la selección de pacientes. CPT: carcinoma papilar de tiroides.

Se utilizaron dos dispositivos ultrasónicos: el Philips Q5 (ambos Healthcare, Eindhoven, Países Bajos) y el GE LOGIC E20 (GE Medical Systems, American General) (sonda de matriz lineal L12-5, frecuencia: 10–14 MHz).

Para adquirir imágenes longitudinales y transversales de los nódulos tiroideos, se realizó una exploración longitudinal y transversal continua mientras los pacientes estaban en decúbito supino. El flujo sanguíneo dentro y alrededor del nódulo, la clasificación elástica de la deformación del nódulo, la calcificación y el CLNM fueron visibles en el diagrama coexistente, que también incluía el diámetro, la ubicación, el eco y el límite del nódulo.

Se ajustaron la posición de la imagen transversal y el tamaño del marco de muestreo y se activó el modo de imagen de deformación elástica. Con una ROI que era más grande que los nódulos (generalmente más de dos veces), los nódulos se colocaron en el medio de la zona de imagen elástica. Se aplicó presión de manera constante (rango 1 a 2 mm, 1 a 2 veces/s) mientras la sonda estaba perpendicular al nódulo. Cuando el gráfico de sugerencia de deformación lineal (resorte verde) sugirió estabilidad, se presionó la tecla congelar para obtener una imagen elástica; El color del ROI cambió (el verde indicaba blando; el rojo indicaba duro) y la dureza del nódulo se determinó en función de la elasticidad. La imagen elástica se calificó según los siguientes criterios: un punto equivale a un área nodular que alterna entre rojo, verde y azul; dos puntos equivalen a nódulos que son parcialmente rojos y parcialmente verdes (principalmente verdes, área > 90%); tres puntos equivalen a un área de nódulo que es principalmente verde, con los tejidos circundantes visibles en rojo; cuatro puntos equivalen a un área de nódulo que es principalmente roja, con el área roja > 90%; y cinco puntos equivalen a un área de nódulo que está completamente cubierta de rojo.

Una semana antes de la cirugía, se realizaron exámenes ecográficos de tiroides. La segmentación de imágenes de EE. UU. se realizó manualmente. Utilizando el programa ITK-SNAP (http://www.itksnap.org), las ROI se dibujaron manualmente en cada imagen (Fig. 2). Las imágenes en escala de grises se utilizaron para crear un boceto de las regiones tumorales en las imágenes de elastografía estadounidense.

(A) Imagen ecográfica en modo B convencional del carcinoma papilar de tiroides. (B) imagen de elastografía por ultrasonido correspondiente, con el círculo etiquetado como A indicando una región de lesión y el círculo etiquetado como B indicando un área de referencia. (C) Imagen correspondiente después del paso de segmentación de la región de interés (ROI).

Las características radiómicas se extrajeron utilizando PyRadiomics (https://github.com/Radiomics/pyradiomics). Se recuperaron un total de 479 características radiómicas de las imágenes de elastografía estadounidense de cada ROI. Entre los incluidos se encuentran la Matriz de coocurrencia de nivel de grises (GLCM), la Matriz de longitud de ejecución de nivel de gris (GLRLM), la Matriz de zona de tamaño de nivel de gris (GLSZM), la Matriz de dependencia del nivel de gris (GLDM) y la Matriz de diferencia de tono de gris vecina ( NGTDM), así como características deducidas de imágenes de filtro wavelet que contienen características GLCM, GLRLM, GLSZM, GLDM y NGTDM de primer orden.

Las características recuperadas se normalizaron utilizando un escalar estándar para reducir el sesgo y el sobreajuste en el estudio. El conjunto de datos se dividió en cohortes de entrenamiento y validación. Para que cada característica sea sustancialmente independiente, la dimensión espacial de filas de la matriz de características se redujo utilizando el coeficiente de correlación de Pearson (PCC). Cada par de características con un PCC superior a 0,80 se consideró redundante.

Después de PCC, se aplicó la eliminación recursiva de características (RFE) para la selección de características a todo el conjunto de datos utilizando el módulo Python de Scikit-learn24 para elegir características representativas para la cohorte de entrenamiento. Durante el procedimiento RFE, se tomaron en consideración los siguientes parámetros (la validación cruzada se configuró en estratificada con un número de divisiones de 10, el estado aleatorio se estableció en 101, las características mínimas para seleccionar se establecieron en 3 y se empleó la precisión para la puntuación.

La máquina de vectores de soporte con núcleo lineal (SVM_L), la máquina de vectores de soporte con núcleo de función de base radial (SVM_RBF), regresión logística (LR), Naïve Bayes (NB), K vecinos más cercanos (KNN) y análisis discriminante lineal (LDA) Se utilizaron clasificadores para construir los modelos de predicción utilizando las características clave del RFE. Los seis algoritmos se implementaron utilizando la biblioteca de aprendizaje automático Scikit-learn24

Se eligieron los mismos conjuntos de características y se incorporaron al modelo durante el proceso de validación. Se utilizaron estadísticas clínicas estándar como el área bajo la curva (AUC), sensibilidad, especificidad, valor predictivo negativo (VPN), valor predictivo positivo (VPP) y precisión (ACC) para evaluar el rendimiento del modelo en los conjuntos de datos de entrenamiento y validación.

Para los análisis estadísticos se utilizaron Python (versión 3.7, https://www.python.org/ Consultado el 8 de julio de 2021) e IBM SPSS Statistics (Monk Ar, Nueva York, estado de Nueva York, EE. UU.) para Windows versión 26.0. Se utilizaron las pruebas de chi-cuadrado de Pearson y exacta de Fisher para comparar las diferencias en las características categóricas. La prueba t de muestra independiente se utilizó para factores continuos con distribución normal, mientras que la prueba U de Mann-Whitney se utilizó para factores continuos sin distribución normal.

Una P bilateral < 0,05 indicó diferencias estadísticamente significativas. Se utilizaron PyRadiomics (versión 2.2.0, https://github.com/Radiomics/pyradiomics Consultado el 10 de agosto de 2021) y scikit‐learn versión 1.224 para extraer características radiómicas y construir los modelos de predicción. Se calcularon el AUC, la sensibilidad, la especificidad, el ACC, el VPN y el PPV de cada modelo de predicción.

Se utilizó el software estadístico Medcalc para calcular las AUC de los seis modelos y evaluar las predicciones. Se utilizó el método DeLong para comparar las AUC de los seis clasificadores de aprendizaje automático. Para crear curvas de calibración, se utilizó la versión 1.224 de sci-kit-learn. Se utilizó el software R (versión 3.6.1, https://www.r-project.org) para realizar el análisis de la curva de decisión.

El estudio se realizó de acuerdo con la Declaración de Helsinki y fue aprobado por el Hospital Popular afiliado a la Universidad de Jiangsu y el hospital de medicina tradicional china del Comité de Ética del Distrito Lishui de Nanjing.

El Comité de Ética del Hospital Popular afiliado a la Universidad de Jiangsu y del hospital de medicina tradicional china del distrito de Nanjing Lishui renunció al consentimiento del paciente debido a la naturaleza retrospectiva del estudio.

Hubo 138 pacientes con CPT en total, 87 de los cuales eran mujeres (edad media, 41,81 ± 11,23 [rango, 25-57] años) y 51 de ellos eran hombres (edad media, 43,82 ± 12,18 [rango, 28-65] años). En la Tabla 1, se muestran la información clínica de 138 pacientes y las comparaciones de imágenes entre los grupos de entrenamiento y validación.

La relación entre la mutación BRAFV600E y las características de las imágenes ultrasónicas y el rendimiento predictivo de los algoritmos de aprendizaje automático se muestran en las Tablas 2 y 3.

Después de PCC y RFE con validación cruzada estratificada diez veces, se eligieron 27 características radiómicas en la cohorte de entrenamiento (Figs. 3 y 4).

Diagrama de caja de características seleccionadas después de RFE. Las funciones se redujeron a veintisiete funciones durante el entrenamiento de los modelos de aprendizaje automático.

Eliminación recursiva de características (RFE) con validación cruzada diez veces mayor; número de características seleccionadas versus puntuación de validación cruzada.

Se eligieron las siguientes características para desarrollar los modelos predictivos para BRAFV600E basados ​​en seis algoritmos de aprendizaje automático (Tabla 4).

En la cohorte de entrenamiento, las AUC para KNN, LDA, LR, NB, SVM_L y SVM_RBF fueron 0,96 (intervalo de confianza [IC] del 95 %: 0,89–0,99), 1,00 (IC del 95 %: 0,96–1,00), 1,00 (IC del 95 %: IC 0,96–1,00), 0,96 (IC 95% 0,89–0,99), 1,00 (IC 95% 0,96–0,1,00) y 1,00 (IC 95% 0,96–1,00), respectivamente (Tabla 3 y Fig. 5). Los modelos SVM_RBF, SVM_L, LDA y LR obtuvieron los mejores resultados. Le siguieron KNN y NB. Todos los modelos de aprendizaje automático funcionaron bien.

Las curvas ROC mixtas de los seis modelos de aprendizaje automático en la cohorte de capacitación. ROC: característica de funcionamiento del receptor; KNN: K-vecino más cercano; LDA: análisis discriminante lineal; LR: regresión logística; NB: Naïve Bayes; SVM_L: clasificador de vectores de soporte con núcleo lineal; SVM_RBF: clasificador de vectores de soporte con la función de base radial.

En la cohorte de validación, las AUC para NB, KNN, LDA, LR, SVM_L y SVM_RBF fueron 0,80 (intervalo de confianza [IC] del 95 %: 0,65–0,91), 0,87 (IC del 95 %: 0,73–0,95), 0,91 (IC del 95 % 0,79–0,98), 0,92 (IC del 95%: 0,80–0,98), 0,93 (IC del 95%: 0,80–0,98) y 0,98 (IC del 95%: 0,88–1,00), respectivamente. El modelo SVM_RBF tuvo el mejor desempeño en la cohorte de validación, seguido por los modelos LR, SVM_L, LDA, KNN y NB, en ese orden (Fig. 6). Todos los modelos basados ​​en aprendizaje automático funcionaron bien. La sensibilidad, especificidad, VPP y VPN del modelo SVM_RBF fueron 0,95, 0,90, 0,91 y 0,95, respectivamente (Tabla 3).

Las curvas ROC mixtas de los seis modelos de aprendizaje automático en la cohorte de validación. ROC: característica de funcionamiento del receptor. KNN: K-vecino más cercano; LDA: análisis discriminante lineal; LR: regresión logística; NB: el ingenuo Bayes; SVM_L: admite clasificador de vectores con núcleo lineal; SVM_RBF: clasificador de vectores de soporte con la función de base radial.

Además, se utilizó el DCA para evaluar la utilidad clínica de estos modelos (Fig. 7). La curva de calibración se utilizó para evaluar la precisión de la probabilidad de los modelos de aprendizaje automático al predecir un evento de resultado individual en el futuro (Fig. 8).

Curva de decisión para modelos predictivos basados ​​en modelos de aprendizaje automático en la cohorte de entrenamiento (A) y la cohorte de validación (B). KNN K-vecino más cercano; LDA Análisis discriminante lineal; LR Regresión logística; NB Naïve Bayes; SVM_L Clasificador de vectores de soporte con núcleo lineal; SVM_RBF Clasificador de vectores de soporte con la función de base radial.

Curvas de calibración del aprendizaje automático (A) K-vecino más cercano (B) Análisis discriminante lineal (C) LR Regresión logística (D) Naïve Bayes (E) Clasificador de vectores de soporte con el núcleo lineal; (F) SVM_RBF Clasificador de vectores de soporte con la función de base radial.

La mutación BRAF V600E se ha convertido en un marcador molecular distintivo e importante en el tratamiento del PTC debido a su relación sustancial con un resultado clínico patológico agresivo, trastornos moleculares graves y la selección de métodos de tratamiento en el PTC.

La elastografía de tensión tisular en tiempo real ayuda a evaluar la estructura anatómica y los rasgos biológicos del PTC porque representa la dureza relativa de la lesión y los tejidos circundantes, mientras que la dureza de los tejidos del PTC está estrechamente relacionada con su estructura patológica interna. Bojunga et al.25 demostraron que la elastografía ecográfica podía distinguir eficazmente entre nódulos tiroideos benignos y malignos. Investigaciones recientes han demostrado que las distintas disposiciones y composiciones celulares dan como resultado índices de elastografía tisular variables26,27; cuanto más dura sea la elastografía ecográfica para el PTC, mayor será su malignidad. Esto le da al diagnóstico estadounidense de PTC positivo y negativo para la mutación BRAFV600E un nuevo punto de vista. Utilizando imágenes de ecografía, se determinó que los pacientes con y sin mutaciones BRAFV600E tenían módulos elásticos o niveles de dureza significativamente diferentes. La elastografía podría describir con mayor precisión las características patológicas de los tejidos e indicar directa y cuantitativamente la dureza absoluta del PTC positivo y negativo para la mutación BRAFV600E. Este estudio utilizó métodos de aprendizaje automático para extraer características ómicas de imágenes detrás de las imágenes de EE. UU. elásticas con deformación PTC, y luego usó estas características para construir modelos para predecir el estado del gen BRAF, que es más objetivo que el método semicuantitativo de dividir imágenes de EE. UU. elásticas con deformación PTC en 1 a 5 puntos según la observación a simple vista.

En un estudio anterior28, desarrollamos tres modelos radiómicos para predecir la mutación BRAFV600E en pacientes con PTC: un modelo radiómico basado en características radiómicas de EE. UU. en escala de grises, un modelo radiómico basado en características radiómicas de elastografía y un tercer modelo basado en características radiómicas de EE. UU. grises y elastografía radiómica combinadas. características que utilizan el clasificador de regresión logística y el algoritmo de selección de características del operador de selección de contracción mínima absoluta (LASSO). El modelo radiómico estadounidense en escala de grises no tuvo un buen desempeño en la cohorte de validación (ACC: 0,67, AUC: 0,73), pero el modelo de elastografía (ACC: 0,88, AUC: 0,93) y el modelo combinado (ACC: 0,91, AUC: 0,94), funcionó bien. Teniendo en cuenta que las imágenes elásticas de EE. UU. superponen información sobre la dureza de la masa sobre la base de imágenes de EE. UU. en escala de grises, la extracción de características de la imagen no solo extrae las características de dureza de la masa, sino que también extrae características ricas de la estructura interna de la masa. Por lo tanto, decidimos centrarnos en las características radiómicas de elastografía en este estudio actual para explorar el rendimiento de múltiples clasificadores o algoritmos de aprendizaje automático, así como otros métodos de selección de características.

Los algoritmos de aprendizaje automático se benefician del aprendizaje de los datos de entrada y del reconocimiento automático de patrones y tendencias en esos datos. Se han realizado numerosos estudios29,30,31 sobre el uso del aprendizaje automático para diferenciar entre nódulos tiroideos benignos y malignos. Sin embargo, solo se han realizado unos pocos estudios que utilizan modelos de aprendizaje automático para predecir la mutación BRAFV600E en pacientes con PTC. Además, no ha habido una comparación de la efectividad de varios algoritmos de aprendizaje automático para la predicción de la mutación BRAFV600E en pacientes con PTC según las características radiómicas de la elastografía ecográfica. En el estudio actual, construimos seis modelos de aprendizaje automático para distinguir a los pacientes con PTC con mutaciones en el gen BRAFV600E de los pacientes con PTC sin mutaciones en el gen BRAFV600E utilizando datos radiómicos de elastografía ecográfica preoperatoria. Hubo tres descubrimientos dignos de mención. En primer lugar, basándose en las características radiómicas de la elastografía ecográfica preoperatoria, los seis modelos de aprendizaje automático podrían diferenciar a los pacientes con PTC con BRAFV600E de los pacientes con PTC sin BRAFV600E. En segundo lugar, cuando se compararon los seis modelos de aprendizaje automático, SVM_RBF tuvo el mejor rendimiento de predicción. En tercer lugar, el rendimiento diagnóstico de los algoritmos de aprendizaje automático se basó en 27 características radiómicas.

Para determinar si la radiómica estadounidense podría evaluar la aparición de mutaciones BRAFV600E entre pacientes con PTC, Yoon et al.10 establecieron una puntuación radiómica utilizando un conjunto de datos de 527 pacientes que se habían sometido a tratamiento quirúrgico para PTC y todos se habían sometido a BRAFV600E. análisis de mutaciones en muestras quirúrgicas. Informaron que las características radiómicas extraídas de la ecografía tienen un valor limitado como biomarcador no invasivo para predecir la presencia del estado de mutación BRAFV600E de PTC, con un valor estadístico c (equivalente a AUC) de 0,63 en la validación. cohorte y 0,72 en la cohorte de formación. En comparación con este estudio, nuestro estudio informó un rango de AUC de (0,96–1,00) y (0,87–0,98) en las cohortes de entrenamiento y validación, respectivamente, y un rango de ACC de (0,89–0,98) y (0,81–0,93) en el grupo de entrenamiento. y cohortes de validación, respectivamente, para los seis algoritmos de aprendizaje automático empleados en este estudio.

Las AUC y ACC más altas en el estudio actual podrían atribuirse a las características radiómicas de elastografía de EE. UU. utilizadas, que proporcionaron más información que la EE. UU. en escala de grises. También en este estudio, se utilizaron algoritmos de aprendizaje automático junto con la radiómica y se utilizaron varios clasificadores de aprendizaje automático para construir los modelos. Hasta donde sabemos, este es el primer estudio que desarrolla modelos basados ​​en diferentes algoritmos de aprendizaje automático para predecir mutaciones BRAFV600E en pacientes con PTC.

Al comparar los resultados del estudio actual con nuestro estudio anterior28, los ACC de SVM_L (0,88), LDA (0,88) y LR (0,88) fueron los mismos que los ACC del clasificador de regresión logística (0,88) utilizado en nuestro estudio anterior. Sin embargo, los valores de ACC KNN (0,81) y NB (0,81) fueron más bajos que el método LR (0,88) utilizado en nuestro estudio anterior.

Las AUC de los clasificadores KNN (0,87), LDA (0,91), LR (0,92) y NB (0,80) fueron todas más bajas que el clasificador de regresión logística (0,93) utilizado en nuestro estudio anterior. La puntuación SVM_L AUC (0,93), por otro lado, fue la misma que la del algoritmo de regresión logística (0,93) utilizado en nuestro trabajo anterior. En comparación con el clasificador de regresión logística (ACC: 0,88 y AUC: 0,93) empleado en nuestra investigación anterior, SVM_RBF tuvo valores más altos de ACC (0,93) y AUC (0,98). La disparidad en el rendimiento podría atribuirse a las diversas técnicas de preprocesamiento de características y estrategias de selección de características utilizadas en la investigación actual.

En el examen ecográfico, Kabaker et al.32 descubrieron que las proporciones de diámetro vertical y horizontal superiores a uno, así como el bajo eco, estaban asociados con la mutación BRAFV600E. De manera similar, Hahn et al.33 descubrieron que proporciones de diámetro vertical y horizontal superiores a uno estaban relacionadas con mutaciones en el gen BRAFV600E. De acuerdo con estos estudios, descubrimos en este estudio actual que había una diferencia significativa en la ecogenicidad, las relaciones de diámetro vertical y horizontal y la elasticidad entre los pacientes con PTC con BRAFV600E y los pacientes con PTC sin BRAFV600E.

La curva de calibración del modelo de predicción es una métrica esencial para evaluar la precisión de la probabilidad de un modelo de riesgo de enfermedad al predecir un evento de resultado individual en el futuro. Un alto grado de calibración muestra que el modelo de predicción es preciso, mientras que un bajo grado de calibración indica que el modelo puede exagerar o subestimar el riesgo de enfermedad. La línea azul refleja el rendimiento de los algoritmos de aprendizaje automático, mientras que la línea de puntos diagonal representa una predicción ideal (Fig. 8). Una coincidencia más cercana a la línea de puntos diagonal sugiere una mejor predicción. Cuando las curvas de calibración estaban cerca de la línea diagonal, los algoritmos SVM_RBF, SVM_L y NB demostraron una buena concordancia entre el estado real de la mutación del gen BRAFV600E y la probabilidad prevista.

Además, se utilizó el DCA para evaluar la utilidad clínica de estos modelos (Fig. 7). Suponiendo que no todos los pacientes tienen la mutación del gen BRAFV600E, la línea negra sólida (línea negativa) indica que cuando ningún paciente acepta la intervención o el tratamiento, el beneficio neto es cero. Por el contrario, la línea gris continua (línea positiva) indica los beneficios netos cuando todos los pacientes tienen BRAFV600E y reciben tratamientos o intervenciones. Según la incidencia de BRAFV600E entre pacientes con PTC, el rango razonable de umbrales se estableció entre 0,3 y 0,99. En todo el rango, todos los algoritmos basados ​​en aprendizaje automático mostraron mayores beneficios netos que las dos líneas extremas (línea negativa y línea positiva). En casi todo el rango de probabilidad umbral, el algoritmo SVM_RBF tuvo el beneficio neto más alto tanto en la cohorte de entrenamiento como en la de validación (Fig. 7).

Existen algunas limitaciones del estudio, en la construcción de los modelos para predecir BRAFV600E en pacientes con PTC, no se analizó el gen en individuos sanos, y el foco estuvo en evaluar la mutación BRAFV600E en pacientes con PTC, lo que podría haber resultado en una selección inclinación. Además, este fue un estudio retrospectivo de muestra pequeña realizado en dos instituciones; por tanto, puede existir un sesgo de selección. En el futuro, nuestro objetivo es realizar un estudio multicéntrico con un tamaño de muestra mayor.

Finalmente, nuestro estudio encontró que los modelos radiómicos de elastografía estadounidense basados ​​en aprendizaje automático tuvieron un buen desempeño en la predicción del potencial de BRAFV600E en pacientes con PTC, lo que puede ayudar a los médicos a identificar el riesgo de BRAFV600E en pacientes con PTC. SVM_RBF logró el mayor rendimiento de predicción de los seis modelos de aprendizaje automático probados.

Las contribuciones originales presentadas en el estudio se incluyen en el artículo. Mayores consultas pueden dirigirse a los autores correspondientes.

Exactitud

Inteligencia artificial

Área bajo la curva

Lesiones atípicas o lesiones foliculares de significado desconocido.

Metástasis en los ganglios linfáticos cervicales

Sociedad China de Oncología Clínica

Análisis de la curva de decisión.

Extensión extratiroidea

Autoridad de alimentos y medicamentos.

Aspiración con aguja fina

Matriz de coocurrencia de niveles de grises

Matriz de dependencia del nivel de grises

Matriz de longitud del recorrido del nivel de grises

Matriz de zonas de tamaño de nivel de gris

vecino más cercano

Operador de selección de contracción mínima absoluta

Análisis discriminante lineal

Regresión logística

Red Nacional Integral del Cáncer

Matriz de diferencia de tonos de grises vecinos

Beyes ingenuos

Valor predictivo negativo

Coeficiente de correlación de Pearson

Valor predictivo positivo

Carcinoma papilar de tiroides

Eliminación de funciones recursivas

Características operativas del receptor

Sensibilidad

Especificidad

Tumores malignos sospechosos

Máquina de vectores de soporte con función de base radial.

Máquina de vectores de soporte con núcleo lineal

Ultrasonido

Czarniecka, A., Oczko-Wojciechowska, M. & Barczyński, M. Mutación BRAF V600E en el pronóstico de la recurrencia del cáncer papilar de tiroides (CPT). Glándula. Cirugía. 5, 495–505. https://doi.org/10.21037/gs.2016.09.09 (2016).

Artículo PubMed PubMed Central Google Scholar

Yan, C., Huang, M., Li, X., Wang, T. y Ling, R. Relación entre BRAFV600E y las características clínicas del carcinoma papilar de tiroides. Endocr. Conectar. 8, 988–996. https://doi.org/10.1530/EC-19-0246 (2019).

Artículo CAS PubMed PubMed Central Google Scholar

Yarchoan, M., LiVolsi, VA & Brose, MS Mutación BRAF y recurrencia del cáncer de tiroides. J.Clin. Oncol. 33(1), 7–8. https://doi.org/10.1200/JCO.2014.59.3657 (2015).

Artículo PubMed Google Scholar

Rashid, FA, Munkhdelger, J., Fukuoka, J. y Bychkov, A. Prevalencia de la mutación BRAFV600E en series asiáticas de carcinoma papilar de tiroides: una revisión sistemática contemporánea. Glándula. Cirugía. 9, 1878-1900. https://doi.org/10.21037/gs-20-430 (2020).

Artículo PubMed PubMed Central Google Scholar

Sun, J. y col. BRAF V600E y mutaciones del promotor TERT en el carcinoma papilar de tiroides en pacientes chinos. MÁS UNO 11, e153319. https://doi.org/10.1371/journal.pone.0153319 (2016).

Artículo de Google Scholar

Jin, L. y col. Análisis de mutación BRAF en citología de tiroides por aspiración con aguja fina (PAAF). Diagnóstico. Mol. Patol. 15(3), 136-143. https://doi.org/10.1097/01.pdm.0000213461.53021.84 (2006).

Artículo CAS PubMed Google Scholar

Xing, M. y col. La mutación BRAF predice un peor pronóstico clínico para el cáncer papilar de tiroides. J.Clin. Endocrinol. Metab 90(12), 6373–6379. https://doi.org/10.1210/jc.2005-0987 (2005).

Artículo CAS PubMed Google Scholar

Jarząb, B. et al. Diagnóstico y tratamiento del carcinoma de tiroides. Endocrinol. Polonia 67(1), 74-107. https://doi.org/10.5603/EP.2016.0011 (2016).

Artículo de Google Scholar

Bentz, BG, Miller, BT, Holden, JA, Rowe, LR y Bentz, JS El análisis mutacional B-RAF V600E de aspirados con aguja fina se correlaciona con el diagnóstico de nódulos tiroideos. Otorrinolaringología – Cirugía de cabeza y cuello. Apagado. Mermelada. Acad. Otorrinolaringol.-Cirugía de Cabeza y Cuello. 140, 709–714. https://doi.org/10.1016/j.otohns.2009.01.007 (2009).

Artículo de Google Scholar

Lee, JY y cols. Directrices de imágenes de 2020 para nódulos tiroideos y cáncer diferenciado de tiroides: sociedad coreana de radiología tiroidea. Coreano J. Radiol. 22(5), 840–860. https://doi.org/10.3348/kjr.2020.0578 (2021).

Artículo PubMed PubMed Central Google Scholar

Yoon, J. y col. Inteligencia artificial para predecir la mutación BRAFV600E en pacientes con cáncer de tiroides. MÁS UNO 15, e24280–e24286. https://doi.org/10.1371/journal.pone.0242806 (2020).

Artículo CAS Google Scholar

Yoon, JH y cols. Radiómica en la predicción del estado de mutación del cáncer de tiroides: un estudio preliminar que utiliza características radiómicas para predecir mutaciones BRAFV600E en el carcinoma papilar de tiroides. MÁS UNO 15, e228968. https://doi.org/10.1371/journal.pone.0228968 (2020).

Artículo CAS Google Scholar

Kim, TH y cols. La asociación de la mutación BRAF (V600E) con factores pronósticos y malos resultados clínicos en el cáncer papilar de tiroides: un metanálisis. Cáncer 118(7), 1764–1773. https://doi.org/10.1002/cncr.26500 (2012).

Artículo CAS PubMed Google Scholar

Itoh, A. y col. Enfermedad mamaria: aplicación clínica de la elastografía ecográfica para el diagnóstico. Radiología 239(2), 341–350. https://doi.org/10.1148/radiol.2391041676 (2006).

Artículo PubMed Google Scholar

Lee, SH y cols. Guía práctica para la realización de elastografía ecográfica mamaria. Ultrasonografía 33(1), 3–10. https://doi.org/10.14366/usg.13012 (2014).

Artículo PubMed Google Scholar

Omar, K. et al. Cáncer de mama en Egipto: una revisión de las estrategias de presentación y detección de la enfermedad. EMHJ-Mediterráneo Oriental. Sanar. J. 2003 (2003).

Athamnah, SI, Oglat, AA & Firas, FF Estimación de la elastografía mamaria de Diagnostice a partir de imágenes Doppler utilizando algoritmos de diferencia central (CD) y mínimos cuadrados (LS). Biomédica. Proceso de señal. Control 68, 102667 (2021).

Artículo de Google Scholar

Yang, L. y col. ¿Puede la firma radiómica basada en TC predecir mutaciones KRAS/NRAS/BRAF en el cáncer colorrectal? EUR. Radiol. 28(5), 2058–2067. https://doi.org/10.1007/s00330-017-5146-8 (2018).

Artículo PubMed Google Scholar

Gevaert, O. y col. Modelado radiogenómico predictivo del estado de mutación de EGFR en el cáncer de pulmón. Ciencia. Rep. 7, 41674. https://doi.org/10.1038/srep41674 (2017).

Artículo ADS CAS PubMed PubMed Central Google Scholar

West, E., Mutasa, S., Zhu, Z. & Ha, R. Tendencias globales en publicaciones en radiología basadas en inteligencia artificial de 2000 a 2018. AJR Am. J. Roentgenol. 213(6), 1204–1206. https://doi.org/10.2214/JR.19.21346 (2019).

Artículo PubMed Google Scholar

Pesapane, F., Codari, M. & Sardanelli, F. Inteligencia artificial en imágenes médicas: ¿amenaza u oportunidad? Los radiólogos nuevamente a la vanguardia de la innovación en medicina. EUR. Radiol. Exp. 2(1), 35. https://doi.org/10.1186/s41747-018-0061-6 (2018).

Artículo PubMed PubMed Central Google Scholar

Zhao, CK y cols. Un análisis comparativo de dos patrones de diagnóstico basados ​​en aprendizaje automático con ACR TiRADS para nódulos tiroideos: rendimiento diagnóstico y tasa de biopsias innecesarias. Tiroides 31(3), 470–481. https://doi.org/10.1089/thy.2020.0305 (2020).

Artículo CAS PubMed Google Scholar

Gillies, RJ, Kinahan, PE y Hricak, H. Radiomics: Las imágenes son más que imágenes, son datos. Radiología 278(2), 563–577. https://doi.org/10.1148/radiol.2015151169 (2016).

Artículo PubMed Google Scholar

Pedregosa, F. et al. Scikit-learn: aprendizaje automático en Python. J. Mach. Aprender. Res. 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Scholar

Bojunga, J. y Mondorf, A. Elastografía tiroidea. Laryngorhinolotolog 98, 150-156. https://doi.org/10.1055/a-0790-0885 (2019).

Artículo de Google Scholar

Yi, L., Qiong, W., Yan, W., Youben, F. y Bing, H. Correlación entre la elastografía por ultrasonido y las características histológicas del carcinoma papilar de tiroides. Ciencia. Rep. 7, 45042. https://doi.org/10.1038/srep45042 (2017).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Li, N. y col. Nomograma que incluye elastografía para la predicción de metástasis en los ganglios linfáticos centrales contralaterales en el carcinoma papilar de tiroides solitario antes de la operación. Manejo del Cáncer. Res. 12, 10789–10797. https://doi.org/10.2147/CMAR.S278382 (2020).

Artículo PubMed PubMed Central Google Scholar

Wang, YG y cols. Modelo radiómico para determinar el valor de la elasticidad y diagnósticos ecográficos en escala de grises para predecir mutaciones BRAFV600E en el carcinoma papilar de tiroides. Frente. Endocrinol. 13, 872153. https://doi.org/10.3389/fendo.2022.872153 (2022).

Artículo de Google Scholar

Choi, YJ y cols. Un sistema de diagnóstico asistido por ordenador que utiliza inteligencia artificial para el diagnóstico y caracterización de nódulos tiroideos mediante ecografía: valoración clínica inicial. Res. Tiroides. 27(4), 546–552. https://doi.org/10.1089/thy.2016.0372 (2017).

Artículo de Google Scholar

Sollini, M., Cozzi, L., Chiti, A. & Kirienko, M. Análisis de textura y aprendizaje automático para caracterizar nódulos tiroideos sospechosos y cáncer de tiroides diferenciado: ¿dónde nos encontramos? EUR. J. Radiol. 99, 1–8. https://doi.org/10.1016/j.ejrad.2017.12.004 (2018).

Artículo PubMed Google Scholar

Zhang, B. y col. Sistema asistido por aprendizaje automático para el diagnóstico de nódulos tiroideos. Res. Tiroides. 29(6), 858–867. https://doi.org/10.1089/thy.2018.0380 (2019).

Artículo de Google Scholar

Kabaker, AS et al. Las características ecográficas sospechosas predicen el carcinoma papilar de tiroides positivo para BRAFV600E. Tiroides 22, 585–589. https://doi.org/10.1089/thy.2011.0274 (2012).

Artículo PubMed PubMed Central Google Scholar

Hahn, SY y cols. Características ecográficas y clínico-patológicas de los carcinomas papilares de tiroides con mutaciones en los promotores BRAF y TERT. Oncoobjetivo 8, 108946–108957. https://doi.org/10.18632/oncotarget.22430 (2017).

Artículo PubMed PubMed Central Google Scholar

Descargar referencias

Este estudio fue apoyado financieramente por la Fundación Nacional de Ciencias Naturales de China (Proyecto No.: 81971629). Proyecto de investigación de la Comisión Provincial de Salud de Jiangsu (Z2021071), Fondo de Innovación Colaborativa en Educación Médica 2023 de la Universidad de Jiangsu (JDYY2023015).

Laboratorio Médico de Ultrasonido, Departamento de Ultrasonido, Hospital Popular Afiliado de la Universidad de Jiangsu, Zhenjiang, 212002, China

Enock Adjei Agyekum, Fei-Ju Xu, Yong-zhen Ren, Xian Wang, Jenny Olalia Taupa y Xiao-qin Qian

Facultad de Medicina, Universidad de Jiangsu, Zhenjiang, 212013, China

Enock Adjei Agyekum, Yong-zhen Ren, Kevoyne Hakeem Chambers y Jenny Olalia Taupa

Departamento de Ultrasonido, Hospital de Medicina Tradicional China del Distrito Lishui de Nanjing, Nanjing, China

Yu Guo Wang

Escuela de Salud Pública, Universidad de Ciencia y Tecnología Kwame Nkrumah, Kumasi, Ghana

Debora Akortia

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

Conceptualización, EAA y XQ; metodología, EEA; software, EAA y DA; validación, Y.-GW, JOT e Y.-ZR; análisis formal, EAA; investigación, EAA y F.-JX; recursos, EAA e Y.-GW; curación de datos, EAA, XW y XW; redacción: preparación del borrador original, EAA; redacción: revisión y edición, EAA, XQ y KHC; visualización, EAA y KHC; supervisión, XQ, administración de proyectos, EAA y XQ; adquisición de financiación, XQ Todos los autores han leído y aceptado la versión publicada del manuscrito.

Correspondencia a Xiao-qin Qian.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado al autor(es) original(es) y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Agyekum, EA, Wang, Yg., Xu, FJ. et al. Predicción de mutaciones BRAFV600E en el carcinoma papilar de tiroides mediante seis algoritmos de aprendizaje automático basados ​​en elastografía ultrasónica. Representante científico 13, 12604 (2023). https://doi.org/10.1038/s41598-023-39747-6

Descargar cita

Recibido: 31 de mayo de 2023

Aceptado: 30 de julio de 2023

Publicado: 03 de agosto de 2023

DOI: https://doi.org/10.1038/s41598-023-39747-6

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.