O papel do [18F]FDG PET/CT na predição histológica do câncer de pulmão de não pequenas células: uma abordagem de aprendizado de máquina baseada em radiômica.

• Ano de defesa: 2025
• Autor(a) principal: Santos, Leonardo Alexandre
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: aprendizado de máquina; câncer de pulmão; lung cancer; machine learning; radiômica; radiomics
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/82/82131/tde-19012026-152313/

Introdução: Em oncologia clínica, a biópsia de tecido neoplásico e a investigação histopatológica são ferramentas diagnósticas valiosas na avaliação de casos de câncer de pulmão não pequenas células (CPNPC). Apesar de a avaliação histopatológica ser o procedimento padrão-ouro nesta caracterização, ela pode apresentar vieses relacionados à qualidade do procedimento executado ou à amostra biopsiada. A imagem metabólica de [18F]FDG PET/CT é amplamente utilizada no acompanhamento do CPNPC, auxiliando na identificação de metástases e melhorando o estadiamento e o planejamento terapêutico. Porém, a imagem metabólica pode ser melhor explorada na caracterização histológica dos tipos de CPNPC por atributos radiômicos, complementando a informação preliminar apresentada pela avaliação histopatológica. O objetivo deste estudo foi avaliar como as imagens de [18F]FDG PET/CT em CPNPC, podem apresentar atributos radiômicos que caracterizem a heterogeneidade metabólica tumoral entre diferentes classes histológicas. Materiais e métodos: Exploramos 115 imagens de [18F]FDG-PET-CT de pacientes diagnosticados com CPNPC, com confirmação histopatológica para as classes de adenocarcinoma (Adc.) e carcinoma de células escamosas (CCE). Um total de 2.082 atributos radiômicos de primeira, segunda e ordem superior, foram extraídos das imagens de PET, por meio de seis métodos distintos de segmentação. Os atributos radiômicos extraídos pelo método de segmentação manual, foram associados a outras variáveis clínicas, demográficas e genômicas, antes de serem utilizados para a construção de modelos de aprendizado de máquina para predição de classe histológica. Nós selecionamos cinco métodos de seleção de atributos (ANOVA, MI, PCA, LASSO e RFECV) e seis métodos preditores (SVM, kNN, GNB, DT, RF e XGBoost), os quais foram combinados de forma cruzada para compor 30 modelos de aprendizado de máquina que fossem capazes de diferenciar as classes histológicas de CPNPC de Adc e CCE. As métricas de performance F1-score e AUC foram avaliadas ao longo das etapas de validação e teste para os modelos de aprendizagem, e os atributos de maior importância para cada modelo foram representados em uma distribuição SHAP para melhor interpretabilidade dos resultados. Os atributos radiômicos e não radiômicos de maior frequência entre os métodos avaliados, foram ranqueados de acordo com a sua importância como bioassinaturas da classe investigada e a performance do modelo de classificação que ele estivesse associado. Resultados: Os modelos que apresentaram maior AUC na identificação de casos de CCE foram os de ANOVA/SVM (0,94) para a etapa de validação e PCA/GNB e RFECV/SVM (0,86) para a etapa de teste. Na representação dos atributos radiômicos que representaram melhor as características fenotípicas de cada classe histológica temos o gradiente/GLCM/ldn para CCE e Wavelet (HLH)/GLSZM/Small Area High Gray Level Emphasis para os casos de Adc. Conclusão: Por fim, o presente estudo foi capaz de identificar e caracterizar um rol de assinaturas radiômicas, obtidas a partir de imagem de [18F] FDG PET/CT, que evidenciaram, de forma reprodutível e estável, características fenotípicas do metabolismo tumoral em nódulo primário para as classes histológicas de Adc e CCE em casos de CPNPC.