Radiómica. Una nueva herramienta en el análisis de las imágenes médicas
Invitado: Dr. Miguel Martin
Moderador: CEO Serofca. MsC. Omar Arias
En esta oportunidad conversaremos una vez más con Dr. Miguel Martin sobre la Radiómica
EL Dr. Miguel Martin expresa: La generación de imágenes médicas en todas sus expresiones fotografías, resonancia magnética, en equipos de imágenes médicas en el área de medicina nuclear, ultrasonido han proporcionado una gran variedad de imágenes que además en el correr de la investigación y de la necesidad de mejorar los diagnóstico y tratamientos, genera una gran cantidad de datos, muchísima información que proviene de una imagen tridimensional, si se combinan varios tipos de imagen que son omnipresentes en la cotidianidad hoy, aun la cantidad de información es mayor, hay muchísimas maneras de procesar esa información, la radiómica surge como una manera de obtener información en forma digital de las imágenes para producir una enorme cantidad de datos en un espacio de muchísima dimensionalidad, por ejemplo una imagen radiográfica estándar, podríamos hablar del histograma de la distribución de esos niveles digitales, se puede hablar del promedio o de la dispersión de esos niveles, indiferentemente del estudio se tiene diferentes información física, esto ha permitido con técnicas de manejo de bit data e inteligencia artificial obtener información que puede ser relevante para el diagnóstico médico y para el tratamiento.
La radiómica combina información obtenida con la proveniente de la genómica y clínica
Omar Arias pregunta: ¿Cuál es la diferencia del análisis de una imagen medica convencional con la radiómica?
La Radiómica por ejemplo analizaría por un lado el histograma de los niveles de grises del PET relacionada con la captación del radiofármaco, y esa gran cantidad de datos la correlacionaría por ejemplo con la química, con la clínica, esto genera una gran cantidad de datos que deben ser analizados con tecnologías como bit data o inteligencia artificial.
La Radiómica obtiene información que no es evidente en una imagen médica, es una herramienta mas de análisis para un buen diagnóstico y terapia.
Se tiene un conjunto de imagen de multimodalidad por ejemplo RMN , PET entre esas imágenes se reúne información que generan características radiómicas , pueden ser muy variadas, segmentación , textura , histograma, esta extracción de características se combinan con algoritmos y escogen la mas relevantes y las comparan con otra información por ejemplo de tipo genómico. Por ejemplo un biomarcador capta un radiofármaco donde hay actividad tumoral, puede tener relación con textura, y con esta información se puede clasificar a los pacientes, y realizar una determinada terapia de acuerdo a las características Radiómicas.
La genómica como la radiómica no son concretamente precisa en cuanto a la información del paciente variable, se puede tener completa genómica no igual de un paciente a otro, la radiómica tampoco es igual a otro paciente, aunque la enfermedad sea la misma, si se quiere tener un buen diagnóstico para definir exactamente qué enfermedad tiene el paciente, tiene que apelar a métodos estadísticos que analicen ambas informaciones en forma conjunta para poder finalmente llegar a una evaluación de la situación y así tener una medicina personalizada, se puede llegar al punto de decir que las dosis de medicación para un paciente aunque tenga la misma enfermedad, porque va a depender de las condiciones específicas reflejada en la genómica proteómica o radiómica.
La características radiómica serían la textura o rugosidad se evalúan valores medio, desviaciones estándar y otro grupo tiene que ver con la forma, por ejemplo establecer interface tumoral que son de tipo morfológico.
Se realiza un análisis estadístico de textura, filtraje y análisis morfológico esto produce un espacio de características radiómicas de alta dimensionalidad y selección en base a definición de usuario clasificándolo con apoyo de inteligencia artificial y bit data
En el análisis de textura en primer orden se hace un histograma de los niveles digitales, por ejemplo hay algo oscuro y algo claro asociado a la patología, hay también un orden superior, como la relación entre los pixel, por ejemplo cuantas veces aparece en la imagen el mismo patrón de los vecinos de un pixel, se generan una cantidad de matrices por ejemplo matrices de concurrencias de niveles de grises (GLCM)
El histograma genera barras de los niveles digitales del mismo valor digital, los representa en una altura normalizada, se puede obtener información de la frecuencia de encontrar un valor determinado o probabilidad, otro termino es la entropía en cuanto a la información, otro parámetro es la uniformidad, si se tienen diferentes probabilidades la imagen ya no sería uniforme, la diferenciación de la imagen se pueden obtener con los valores de estos parámetros.
Por ejemplo en imágenes de RMN se tienen imágenes producto de tiempos de relajación T1, T2 y T2 Flair, los histogramas correspondientes a estas imágenes se pueden combinar para obtener una imagen Radiómica que nos da aun mayor información, cada combinación corresponde a lo que se conoce como un habitad, la imagen final se genera asignado falso color a una de estas combinaciones de histogramas de niveles digitales correspondientes a cada tiempo de relajación.
Por ejemplo se colorea en rojo para T1 niveles digitales del histograma de T1 bajo, T2 alto y T2 Flair alto, este nueva imagen puede ayudar a obtener un mejor diagnóstico, terapia y evaluación posterior de la terapia.
En otro ejemplo se puede obtener información con 4 habitad usando dos combinaciones de T1 con contraste y T2.
Para apreciar conversatorio ingresar al siguiente enlace:
