Potencial do machine learning como preditor da classificação PI-RADS™ v2.1

Abstract

A ressonância magnética multiparamétrica (Multiparametric Magnetic Resonance Imaging - mpMRI) permite uma melhor visualização e deteção das lesões da próstata do que os métodos de imagem convencionais. O Prostate Imaging Reporting and Data System (PI-RADS™) v2.1 propõe uma classificação para a interpretação de imagens de mpMRI. Contudo, esta classificação envolve a interpretação das imagens por radiologistas e, portanto, a variabilidade entre leitores é inevitável. Muitos métodos de Machine Learning (ML) foram desenvolvidos para melhorar a diferenciação entre cancro da próstata clinicamente significativo (csPCa) e não-csPCa, aperfeiçoando a classificação PI-RADS™. Objetivo: O presente trabalho pretende explorar a utilização de métodos computacionais de ML, com o intuito de melhorar o desempenho na classificação PI-RADS™ v2.1 do csPCa. Metodologia: De uma amostra de 50 mpMRI da próstata, após segmentação manual da próstata, procedeu-se à extração das características radiómicas das imagens, através do programa LIFEx-7.2.0, sendo posteriormente carregadas na aplicação Classification Learner, que faz parte do ambiente computacional Matlab, para treino e teste de diferentes classificadores com o objetivo de obter uma categorização dos casos de acordo com a classificação PI-RADS™ v2.1. Resultados: No geral, o classificador Bagged Tree e a sequência DWI apresentaram melhores níveis de acurácia, contudo, devido à fraca representatividade de algumas classes PI-RADSTM na amostra de casos clínicos disponível, a classificação nas 4 classes PI-RADSTM não teve sucesso (acurácia 48%). Melhores resultados foram obtidos na classificação em 3 (acurácia 64%) e 2 (acurácia 88%) classes para discriminação entre casos de csPCa e de não-csPCa. Conclusão: Conseguiu-se discriminar o csPCa do não-csPCa com elevado nível de acurácia (88%). Para a classificação em todas as classes PIRADSTM v2.1 verificou-se a necessidade de uma amostra maior com melhor representatividade de todas as classes.

Multiparametric Magnetic Resonance Imaging (mpMRI) allows for improved visualization and detection of prostate lesions compared to conventional imaging methods. The Prostate Imaging Reporting and Data System (PIRADS ™) v2.1 proposes a classification system for interpreting mpMRI images. However, this classification involves the interpretation of images by radiologists, leading to inevitable variability among readers. Many Machine Learning (ML) methods have been developed to enhance the differentiation between clinically significant prostate cancer (csPCa) and non-csPCa, thereby refining the PI-RADS™ classification. Objective: This study aims to explore the use of computational ML methods to improve the performance of PI-RADS™ v2.1 classification for csPCa. Methodology: A sample of 50 prostate mpMRI studies was selected. After performing prostate manual segmentation, radiomic features were extracted using the LIFEx-7.2.0 software. Subsequently, these features were loaded into the Classification Learner application, which is part of the Matlab computational environment, to train and test different classification models in the categorization of cases according to the PI-RADS™ v2.1 classification. Results: In general, the Bagged Tree classifier and the DWI sequence showed higher levels of accuracy; however, due to the weak representativeness of some PI-RADSTM classes in the available sample of clinical cases, classification in the 4 PI-RADSTM classes was unsuccessful (accuracy 48%). Better results were obtained in the classification in 3 (accuracy 64%) and 2 (accuracy 88%) classes to discriminate csPCa from non-csPCa cases. Conclusion: It was possible to discriminate csPCa from non-csPCa with a high level of accuracy (88%). For classification across all PI-RADS™ v2.1 classes, a larger sample with better representation of all classes is needed.