TY - JOUR AU - Machado, Marcos AU - Queiroz, Cleiton AU - Pita, Jean AU - Vieira, Lucas AU - Santana, Bruno AU - Namias, Mauro AU - Menezes, Vinicius AU - Salvino, Marco AU - Brandão, Simone AU - Netto, Eduardo PY - 2023/03/27 Y2 - 2024/03/28 TI - Predição de Falha no Tratamento de Linfoma Hodgkin: Uma Abordagem de Aprendizado de Máquinas em 18F-FDG PET/CT JF - Revista Brasileira de Física Médica JA - Rev Bras Fis Med VL - 17 IS - SE - Artigo Original DO - 10.29384/rbfm.2023.v17.19849001680 UR - https://rbfm.org.br/rbfm/article/view/680 SP - 680 AB - <p>Objetivo: A avaliação do estadiamento e prognostico do Linfoma Hodgkin usando métodos de aprendizado de máquinas ainda é pouco explorado. Este estudo explora características radiômicas e propõe um novo modelo de aprendizado de máquinas para predizer falha no tratamento a partir de imagens PET. Métodos: Treze características radiômicas foram extraídas de imagens PET de 51 indivíduos com Linfoma Hodgkin com resposta ao tratamento, e 6 indivíduos com falha no tratamento de acordo com o critério de Lugano. Foram feitas análises univariadas das áreas sobre a curva ROC (AUC) para a seleção de características radiômicas, e a correlação de Pearson foi usada para avaliar redundância entre as características radiômicas. Um algoritmo de aprendizado de máquinas foi desenvolvido usando validação cruzada com 6 camadas. O desempenho do algoritmo foi verificado a partir dos resultados das 15 combinações de cada uma das 2 camadas de validação, usando dois métodos (M1 e M2) para classificação do tumor, tanto no nível da lesão quanto no nível do paciente. Resultados: As características radiômicas <em>zone percentage (ZP), high intensity large area emphasis (HILAE), entropy </em>e<em> standardized uptake value of maximum pixel (SUVmax) </em>foram preditores independentes de falha no tratamento. O algoritmo de aprendizado de máquina desempenhou com AUC=0,86 (M1) e AUC=0,96 (M2) para classificar “tumores individuais”, e no “nível paciente” desempenhou com sensibilidade = 80,0%/ especificidade = 88,3% (M1) e sensibilidade = 100%/ especificidade = 100% (M2). O algoritmo desempenhou melhor que o método de estadiamento <em>Ann Arbor, </em>que alcançou, respectivamente, 83,3% e 31,7% para sensibilidade e especificidade. Conclusões: A avaliação de imagens basais de 18F-FDG PET de pacientes com Linfoma Hodgkin usando aprendizado de máquinas possibilita classificação acurada de pacientes com maior risco de falha no tratamento.</p> ER -