Seleção e Harmonização dos Atributos Radiômicos em Tomografia Computadorizada de COVID-19
DOI:
https://doi.org/10.29384/rbfm.2022.v16.19849001670Palavras-chave:
tomografia computadorizada, COVID-19, radiômica, harmonizaçãoResumo
O advento da radiômica tem gerado oportunidades em várias aplicações diagnósticas, incluindo a tomografia computadorizada (TC) de tórax para diagnóstico e estadiamento da COVID-19. Este trabalho demonstra a aplicação de técnicas de seleção e harmonização de atributos radiômicos em um estudo multicêntrico de COVID-19. 37 indivíduos com COVID-19 e 36 indivíduos com outras pneumonias não associadas a COVID-19 foram selecionados de três centros diagnósticos. Noventa e quatro atributos radiômicos da TC de tórax foram quantificados e selecionados usando dois métodos: 1) supervisionado, utilizando análise univariada pela curva ROC, e 2) não supervisionado, utilizando concordância de observadores intraclasse (ICC > 0,9) a partir de réplicas das TC com variações na qualidade de imagem e na segmentação. Adicionalmente, foram analisadas características populacionais que pudessem enviesar a harmonização dos atributos. O método de seleção não supervisionado demonstrou ser eficaz na triagem de atributos harmonizados, não sendo necessário uma harmonização com pós processamento. Os atributos selecionados pelo método supervisionado possuem maior dispersão das distribuições das quantificações entre os equipamentos, fazendo-se necessária a aplicação da harmonização ComBat após avaliação da sensibilidade do viés ecológico.
Downloads
Referências
Brasil. Diretrizes Brasileiras para Tratamento Hospitalar do Paciente com COVID-19. Ministério da Saúde. [S.l.]: [s.n.], 2021, p. 1–53.
Zu, Z. Y.; Jiang, M.; Xu, P. P.; Chen, W.; Ni, Q. Q.; Lu, G. M.; Zhang, L. J. Coronavirus Disease 2019 (COVID-19): A Perspective from China. Radiology, 2020. v. 296, n. 2, p. E15–E25.
Qingxia Wu, Shuo Wang, Liang Li, Qingxia Wu, Wei Qian, Yahua Hu, Li Li, Xuezhi Zhou, He Ma, Hongjun Li, Meiyun Wang, Xiaoming Qiu, Yunfei Zha and Jie Tian. Radiomics Analysis of Computed Tomography helps predict poor prognostic outcome in COVID-19. Theranostics 2020; 10(16): 7231-7244.
Machado, M. A. D.; Pereira Pita, J. L.; Martins Netto, E. PET Radiomic Features Variability: A Phantom Study on the Influence of Reconstruction and Discretization Method. Revista Brasileira de Física Médica, 2021. v. 15, p. 598.
Orlhac, F.; Boughdad, S.; Philippe, C.; Bourdillon, H.; Nioche, C.; Champion, L.; Soussan, M.; Frouin, F.; Frouin, V.; Buvat, I. A postreconstruction harmonization method for multicenter radiomic studies in PET. Journal of Nuclear Medicine, 2018. v. 59, n. 8, p. 1321–1328.
Orlhac, F.; Frouin, F.; Nioche, C.; Ayache, N.; Buvat, I. Validation of a method to compensate multicenter effects affecting CT radiomics. Radiology, 2019. v. 291, n. 1, p. 53–59.
Machado, M. A. D.; Menezes, V. O.; Namías, M.; Vieira, N. S.; Queiroz, C. C.; Matheoud, R.; Alessio, A. M.; Oliveira, M. L. Protocols for harmonized quantification and noise reduction in low-dose oncologic 18F-FDG PET/CT imaging. Journal of Nuclear Medicine Technology, 2019. v. 47, n. 1, p. 47–54.
D. P. Fan et al., "Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images," in IEEE Transactions on Medical Imaging, vol. 39, no. 8, pp. 2626-2637, Aug. 2020, doi: 10.1109/TMI.2020.2996645.
Van Griethuysen, J. J., Fedorov, A., Parmar, C., Hosny, A., Aucoin, N., Narayan, V., Aerts, H. J. (2017). Computational radiomics system to decode the radiographic phenotype. Cancer research, 77(21), e104-e107.
Mukaka, M. M. 81576-194640-1-Pb. Malawi Medical Journal, 2012. v. 24, n. September, p. 69–71. Disponível em: <https://www.ajol.info/index.php/mmj/article/view/81576>.
Johnson, W. E.; Li, Cheng; Rabinovic, A. Adjusting batch effects in microarray expression data using empirical Bayes methods. Biostatistics, 2007. v. 8, n. 1, p. 118–127.
Fortin, J. P. et al. Harmonization of cortical thickness measurements across scanners and sites. NeuroImage, 2018. v. 167, n. June 2017, p. 104–120. Disponível em: <https://doi.org/10.1016/j.neuroimage.2017.11.024>.
Downloads
Arquivos adicionais
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2022 Danillo Menezes Oliveira, Marcos Antônio Dórea Machado, Mércia Liane de Oliveira, Ronnyldo Rodrigues Eloy da Silva, Mauro Namías, Thamiris Rosado Reina, Paulo César de Oliveira Affonso Júnior, Andreia de Seixas Lessa, Arquimedes Aires Braga de Lira, Krsna Murari de Albuquerque Rodrigues, Thauan Fernandes Moraes, Vinícius de Oliveira Menezes
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
A submissão de artigos originais para a Revista Brasileira de Física Médica implica na transferência, pelos autores, dos direitos de publicação impressa e digital. Os direitos autorais para os artigos publicados são do autor, com direitos do periódico sobre a primeira publicação. Os autores somente poderão utilizar os mesmos resultados em outras publicações indicando claramente este periódico como o meio da publicação original. Em virtude de sermos um periódico de acesso aberto, permite-se o uso gratuito dos artigos em aplicações educacionais, científicas, não comerciais, desde que citada a fonte.
A Revista Brasileira de Física Médica está sob a Licença Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).
