Anales de la RANM

218 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 una mejora diagnóstica y aportan un valor añadido en la predicción de la agresividad de los tumores neuroblásticos. Se ha demostrado que la variabilidad al segmentar manualmente los tumores en las imágenes de RM es pequeña, con una alta concordancia entre observadores debido a las distintas habilidades individuales y mínimas sutilezas en los márgenes tumorales que representan un sesgo metodoló- gico (34,35). Una solución de aprendizaje profundo nnU-Net detecta y segmenta los tumores neurob- lásticos en las imágenes de RM con un rendimiento sólido (26,36). La arquitectura nnU-Net detecta y segmenta el tumor de forma automática, precisa y fiable, eliminando la variabilidad de la segmen- tación manual. Además, la solución minimiza los vóxeles falsos positivos que pertenecen a órganos o estructuras adyacentes, mejorando la precisión en el desarrollo de modelos radiómicos al no incluir estructuras normales (32). La segmentación automática minimiza el efecto de la variabilidad de la segmentación manual en la robustez de las características radiómicas extraídas (37), evitando el trabajo tedioso de la segmentación manual que se reduce a un ajuste final por el radiólogo, lo que reduce el tiempo requerido en un 93% y propor- ciona resultados reproducibles. Tan solo cabe mencionar que los cambios tumorales inducidos por la quimioterapia disminuyen discretamente la rentabilidad de la segmentación tumoral, aunque la diferencia no es estadísticamente significativa. La reducción del volumen tumoral con una peor delimitación de sus bordes después del tratamiento influye discretamente en el rendimiento de la segmentación automática, aunque el algoritmo automático es robusto y repetible incluso en este entorno. El análisis de la reproducibilidad radiómica por el procesado para preparar la imagen o las variac- iones discretas en las máscaras de segmentación demuestran que la eliminación de inhomogene- idades de señal tiene un impacto pequeño en las características radiómicas, aunque el remuestreo y la normalización alteran los resultados radiómicos presentando diferencias estadísticamente significa- tivas. La normalización tiene un gran impacto en las características radiómicas de primer y segundo orden (33). Estos resultados confirman que la extracción de características radiómicas debe realizarse tras una normalización estandarizada de la señal de la imagen. La estabilidad de las caracter- ísticas radiómicas de forma con pequeñas variac- iones en la forma del tumor y la aplicación de diferentes filtros espaciales son pequeñas. Las variables radiómicas han demostrado ser características relevantes para la predicción de la supervivencia global. Un estudio previo sobre radiómica en tumores neuroblásticos permitió diferenciar el neuroblastoma del ganglioneu- roblastoma y ganglioneuroma en niños. Los resultados indicaron que las características de radiómica, combinadas con la edad del paciente en el diagnóstico inicial, proporcionan un método cuantitativo para distinguir estos tipos de tumores (38). Otros estudios han permitido el desarrollo de modelos de aprendizaje profundo basados en radiómica en imágenes de RM potenciadas en T2w para predecir la supervivencia global en pacientes oncológicos (39,40). Las diez variables incorporadas al modelo de supervivencia presentaron una relación positiva en el modelo de supervivencia, de modo que una mayor longitud del eje más corto del tumor, una mayor asimetría en la distribución de los vóxeles, una mayor superficie tumoral, un aumento del valor máximo del diámetro tumoral en 2D, una mayor longitud del eje menor del tumor, una textura más heterogénea o un mayor volumen tumoral demostraron asociar un mayor riesgo de evento para el paciente, aumentando el riesgo de muerte al aumentar estos parámetros. Estas variables presentaron grados de reproducibilidad y estabi- lidad altos en los análisis realizados previamente. Por tanto, las diez variables de radiómica expuestas podrían considerarse como variables candidatas a biomarcadores de imagen para la predicción de supervivencia global en pacientes pediátricos con tumores neuroblásticos. La variable que mostró una mayor estabilidad en los análisis realizados previamente para evaluar la estabilidad y reproduc- ibilidad de la radiómica fue GLRLM Run length non uniformity (no uniformidad de la longitud de ejecución). Esta heterogeneidad en la textura de la imagen se erige como un buen biomarcador no invasivo para la predicción de supervivencia global en pacientes con neuroblastoma. Esta publicación tiene diferentes limitaciones que deben considerarse. El proyecto PRIMAGE se llevó a cabo en un conjunto de datos heterogéneo con parámetros de adquisición de las imágenes variables, equipos distintos, y en momentos temporales y ubicaciones diversas. Los modelos generados han solventado estas limitaciones inherentes a un estudio con datos del mundo real, lo que refleja la capacidad de sus resultados de transferirse a la práctica clínica para la tipificación fenotípica tumoral mediante radiómica. Además, el análisis solo incluyó imágenes potenciadas en T2, por lo que trabajos futuros podrían explorar el impacto de los análisis realizados en otras secuen- cias de RM, así como en otras pruebas de imagen como la TC o la SPECT. Como conclusiones finales del proyecto PRIMAGE, el análisis de las imágenes de RM con algoritmos avanzados de procesamiento permite extraer características y descriptores de imagen cuanti- tativos con los que establecer predicciones sobre la agresividad biológica, entendida como supervivencia global, de los tumores de estirpe neuroblástica en pacientes de edad pediátrica. La precisión de la detección y segmentación automá- tica de estos tumores neuroblásticos con la arquitec- tura de aprendizaje profundo nnU-Net supone una gran ventaja al reducir los tiempos para localizar y segmentar los tumores neuroblásticos con un gran porcentaje de éxito. Para garantizar la extrac- ción reproducible de las características radiómicas debe estandarizarse el procesamiento de la imagen.