Radiómica Avanzada: Aplicaciones clínicas
Invitados: Dr. Miguel Martin, Dr. Rafael Martin
Moderador: CEO Serofca. MsC. Omar Arias
En esta oportunidad en nuestro espacio Aprendiendo + estaremos conversando con los Drs. Miguel y Rafael Martin nuevamente sobre Radiomica Avanzada
El Dr. Miguel Martin abre una presentación y expresa: “quedó pendiente en qué forma la inteligencia artificial aparece dentro de todo el manejo de la radiómica. La inteligencia artificial se ha usado y se usa actualmente para esa gran cantidad de parámetros radiómicos que se puede obtener y permitin una posible clasificación, en la parte superior de la lámina se muestra lo que vendría siendo el esquema estándar donde sí hay un uso de inteligente inicial pero tiene una etapa previa, una etapa en la cual la adquisición de las imágenes no siempre segmentación de las regiones interés dentro de la imagen y de ahí la extracción de las características radiomicas donde hay una selección y hay un cierto tratamiento que permite hacer una cierta clasificación y luego dentro de la inteligencia artificial hay un nivel que conocemos como machine learning que tiene elementos que permiten hacer la clasificación de los pacientes de acuerdo a las características radiómicas seleccionables, en este caso aquí se muestran dos tipos de clasificación una consiste en un árbol de decisión que permite hacer una clasificación de los parámetros radiómicos que se quieren usar, el otro esquema es usando máquinas de soporte vectorial y redes neuronales. las máquinas de soporte vectorial consiste en establecer un umbral o una frontera entre una clases de parámetros, machine learning sería también hacer una separación entre clases, la otra forma es la que se conoce como deep learning, en este caso existe una red neuronal profunda que se encarga de hacer la segmentación, selecciona los parámetros y hace una clasificación”.
La radiómica avanzada consiste en la obtención de mapas donde se han coloreado la imagen original de acuerdo a las características físicas que esta subyacente en la imagen. Por ejemplo en tomografía seria la atenuación a los rayos x, en un RMN los niveles digitales dependen de la secuencia de pulsos usada, se podría obtener mapas de imágenes ponderadas en difusión o mapas de anisotropía fraccional, por ejemplo se podrían elaborar mapas de las fibras dentro del cerebro. Una sola secuencia podría generar varios mapas. Otra posibilidad sería hacer mapas de distribución de T2 variando el tiempo de eco, pueden hacerse mapas de contraste dinámico en los sistemas vasculares, dependiendo de la farmacocinetica (ktrans), existen otros mapas que tiene que ver con el volumen y flujo de la sangre, hay otros mapas como los mapas metabólicos que se pueden obtener con RMN, por otro lado también existen mapas en medicina nuclear, usando imágenes PET que van a depender del radiofármaco.
Omar Arias comenta: “nos escribe George desde la Universidad de Chicago, el forma parte de un grupo que ha estado trabajando en mamografía radiómica él nos comparte el link de un artículo sobre la mamografía radiómica donde pueden clasificar las masas en las mamas, entre masas malignas y benignas”.
El esquema tipo Macghine learnin de la radiómica avanzada se ilustra en la siguiente figura.
Se obtienen las imágenes de un estudio en particular por ejemplo TC, RMN o PET y se construyen los mapas de acuerdo a un parámetro físico intrínseco de las imágenes, se extraen las características radiómicas y luego se analizan para su clasificación con un esquema tipo árbol o con máquinas de soporte vectorial.
El esquema Deep learning los mapas construidos se colocan como entrada a la red neuronal profunda para que haga finalmente la clasificación. El Dr. Moguel Martin expresa que esta es un área nueva de investigación.
Para observar el conversatorio ingresar al siguiente enlace:
