Anales de la RANM

213 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 TUMORES DE ESTIRPE NEUROBLÁSTICA EN EDAD PEDIÁTRICA Martí-Bonmatí L, et al. An RANM. 2024;141(03): 209 - 220 MATERIAL Y MÉTODOS Estudio de cohorte retrospectivo, observacional y analítico, multicéntrico, con la finalidad de crear modelos predictivos. Entre mayo de 2019 y junio de 2023 se reclutaron pacientes pediátricos con diagnós- tico final de tumor neuroblástico para incluirlos en el proyecto europeo PRIMAGE (PRedictive In-silico Multiscale Analytics to support cancer personalized diaGnosis and prognosis, Empowered by imaging biomarkers) (23). Se incluyeron 508 pacientes separados en un grupo de entrenamiento (392 pacientes) y otro de validación (116 pacientes) del modelo de supervivencia generado. Todos los pacientes disponían de una RM del tumor al diagnóstico. Todos los datos se seudonimizaron usando el European Patient Identity Management (EUPID) (24). Se recogieron variables clínicas, analíticas y de imagen atendiendo a las recomendaciones del INRG para la estratificación de riesgo de pacientes con neuroblastoma (7). Las pruebas de RM se almacenaron en la plataforma del proyecto PRIMAGE, una adaptación específica de QUIBIM Precision® (25). Todo este trabajo está basado en la memoria científica del proyecto PRIMAGE y en la Tesis Doctoral de uno de los autores (DVC). Preparación de las imágenes Se emplearon las imágenes potenciadas en T2 obtenidas con secuencias T2 spin echo (T2wSE) o T2* eco de gradiente (T2*wGE), con o sin supresión grasa (FS/STIR), en el plano transversal. Con la finalidad de reducir la variabilidad en los equipos y parámetros de adquisición se procesaron las imágenes mediante un Filtro de Difusión Anisotró- pica (ADF) para reducir el ruido, corrección de la heterogeneidad en la distribución de la señal con filtro N4, normalización de señal mediante Z-score, y armonización espacial del tamaño de los vóxeles (Figura 5). Segmentación y Radiómica Empleando como patrón de referencia las máscaras de segmentación manual realizadas por radiólogos expertos con criterios restrictivos (incluyendo ganglios en contacto con el tumor, pero excluyendo vasos, órganos vecinos y lesiones a distancia), se entrenó una red neuronal convolucional 3D basada en el aprendizaje profundo denominada nnU-Net (26). La red fue entrenada con una estrategia de validación cruzada (27). La calidad de la segmen- tación automática se evaluó con el Coeficiente de Similitud de Dice (CSD) (28), como índice de superposición espacial y métrica de validación de la reproducibilidad (29). Se consideró también la proporción de falsos positivos (FP) y de falsos negativos (FN) (27). Las características radiómicas se extrajeron utilizando la herramienta Pyradiomics (30). Para evaluar la reproducibilidad de la radiómica se utilizó el coeficiente de correlación de concordancia (CCC). El CCC se clasificó como excelente (si ≥ 0.90); bueno (0.75–0.89); moderado (0.50–0.75); o bajo (<0.50). Modelos predictivos de supervivencia Se empleó un modelo de Cox para la predicción de supervivencia. Para su explicabilidad se empleó la Figura 5. Flujo de preparación de la imagen de Resonancia Magnética potenciada en T2, mediante la eliminación de ruido, corrección de inhomogeneidades, normalización de la señal y remuestreo espacial.