O modelo de aprendizado de máquina PET/MRI pode eliminar a biópsia do linfonodo sentinela na maioria dos pacientes com câncer de mama

Pacientes com câncer de mama recém-diagnosticado recebem um exame de PET/RM para investigar o envolvimento dos linfonodos axilares. O radiologista então avalia se o envolvimento linfonodal está presente (nodal positivo versus nodal negativo) com base em critérios morfológicos e metabólicos de linfonodo facilmente avaliáveis. Com base nesses dados, um modelo de floresta aleatória é treinado. Assim, são determinados os critérios linfonodais mais importantes relevantes para a avaliação do estado linfonodal. Ao ajustar o limiar, a sensibilidade agora pode ser aumentada por meio de uma floresta aleatória de tal forma que 68,2% dos pacientes podem ser poupados de uma biópsia axilar. Crédito: Revista de Medicina Nuclear (2022). DOI: 10.2967/jnumed.122.264138

Quase 70% dos pacientes com câncer de mama podem descobrir se o câncer se espalhou para os linfonodos sem ter que se submeter a uma biópsia invasiva do linfonodo sentinela. Nova pesquisa publicada antes da impressão no Revista de Medicina Nuclear mostra que, com a ajuda do aprendizado de máquina (um tipo de inteligência artificial), a metástase dos linfonodos axilares pode ser descartada de forma confiável com base em imagens com PET/MRI.

A presença de metástases linfonodais desempenha um papel crucial no planejamento do tratamento, especialmente no que diz respeito à extensão da cirurgia e radiação. Portanto, é de alta relevância clínica distinguir pacientes com metástases linfonodais de pacientes sem metástases linfonodais.

“Sessenta por cento dos pacientes não têm metástases linfonodais no diagnóstico inicial de câncer de mama”, disse a autora do estudo Janna Morawitz, MD, residente de radiologia no Instituto de Radiologia Diagnóstica e Intervencionista do Hospital Universitário de Düsseldorf, na Alemanha.

“Como tal, seria desejável poder provar o status negativo dos linfonodos por imagem com alto grau de certeza para poupar esses pacientes do procedimento invasivo de biópsia ou cirurgia”.

No estudo, os pesquisadores procuraram determinar se aprendizado de máquina modelos de previsão poderia determinar o estado dos linfonodos em exames de PET/RM com a mesma precisão que um radiologista experiente poderia. Um total de 303 primários pacientes com câncer de mama de três centros médicos foram recrutados para o estudo e foram divididos em uma amostra de grupo de treinamento e uma amostra de grupo de teste.

Todos os pacientes foram submetidos a RM e 18F-FDG PET/RM de corpo inteiro dedicado. Os conjuntos de dados de imagem foram avaliados para axilar metástases linfonodais baseado em características estruturais e funcionais. Modelos de aprendizado de máquina foram desenvolvidos com base na amostra do grupo de treinamento de MRI e PET/MRI e foram então aplicados à amostra do grupo de teste.

A precisão diagnóstica da ressonância magnética foi de 87,5% tanto para os radiologistas quanto para o algoritmo de aprendizado de máquina. Para PET/MRI, a precisão foi de 89,3% para radiologistas e 91,2% para aprendizado de máquina. Após ajustar o modelo de aprendizado de máquina para PET/MRI, obteve-se uma sensibilidade de 96,2% e uma especificidade de 68,2%.

“Com base nas informações coletadas dos exames de ressonância magnética e PET/MRI, as árvores de decisão podem ser feitas para ajudar os radiologistas – especialmente os radiologistas mais jovens – a determinar se uma biópsia do linfonodo sentinela é necessária”, observou Morawitz. “Incorporar este modelo prática diária poderia substituir a biópsia do linfonodo sentinela no futuro.”