| Summary: | O cancro da mama é a neoplasia maligna mais comum no sexo feminino e uma das principais causas de morte a nível mundial. É uma doença multifatorial e o diagnóstico precoce permite reduzir, a longo prazo, as taxas de mortalidade associadas. A quimioterapia neoadjuvante (QTN) está indicada em casos de doença localmente avançada, e a resposta à terapêutica pode ser avaliada através de Ressonância Magnética (RM) mamária multiparamétrica. A radiomics pretende detetar alterações não identificadas visualmente, através da extração de características, e os modelos de Machine Learning (ML) estabelecer relações entre as características extraídas, características clínicas e endpoints clínicos. O presente estudo teve como objetivo geral avaliar a capacidade da radiomics e do modelo random forest (RF) em estabelecer relações entre as características radiómicas, clínicas e endpoints clínicos, de 86 pacientes com cancro da mama, submetidos a QTN, que realizaram RM mamária. Foram analisadas regiões de interesse (ROIs) de imagens ponderadas em T1 com contraste, tendo em conta a região tumoral que capta contraste, através das características de entropia e do histograma de intensidades. Avaliaram-se características como a resposta patológica completa (pCR), o índice RCB (Residual Cancer Burden), a classificação hormonal, a sobrevivência e a sobrevivência livre de recorrência (RFS). Os resultados indicam que, para as várias análises, as características clínicas se sobrepõem às radiómicas. Conclui-se que, deve-se incluir na análise radiómica todo o tumor, e eventualmente o restante tecido mamário, assim como imagens ponderadas em T2 e difusão para que as características radiómicas possam ser mais evidenciadas.
|
|---|