Red neuronal artificial para el reconocimiento de glioblastomas en imágenes de SPECT cerebral con 99mTc-MIBI

• León Castellón, Roberto ^[1] ; Martin Escuela, Juan Miguel ; Salva Camaño, Silvia ^[2] ; Mejías Pérez, Lissette ^[1] ; Rodríguez Paleo, Lester ^[1] ; Sánchez Caballero, Yanaisa ^[1] ; Bonilla Padrón, Denia ^[1] ; Gómez Viera, Nelson ^[1] ; López Díaz, Adlin
  1. [1] Universidad de Ciencias Médicas de la Habana

     Universidad de Ciencias Médicas de la Habana

     Cuba

     
  2. [2] Clínica Misericordia Internacional. Barranquilla, Colombia.
• Localización: RCNN, ISSN-e 2225-4676, Vol. 13, Nº. 1, 2023 (Ejemplar dedicado a: enero-abril)
• Idioma: español
• Títulos paralelos:
  • Artificial Neural Network for Recognition of Glioblastomas in Brain SPECT Images with 99mTc-MIBI
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Introducción: Los gliomas representan aproximadamente el 25 % de todos los tumores cerebrales en adultos, siendo el glioblastoma el tumor cerebral primario maligno más frecuente. La inteligencia artificial y, dentro de ella, las técnicas de aprendizaje automático tienen el potencial de convertirse en herramientas de diagnóstico muy poderosas y ayudas confiables para los neurólogos clínicos.Objetivo: Determinar el rendimiento de una red neuronal artificial entrenada para identificar glioblastomas mediante biomarcadores extraídos de imágenes de SPECT cerebral con 99mTc-MIBI utilizando el perceptrón multicapa.Métodos: Se realizó un estudio observacional, transversal, cuantitativo, que tuvo lugar en el Hospital Clínico Quirúrgico Hermanos Ameijeiras, La Habana, Cuba, durante el período 2018-2020. Se utilizó como algoritmo el perceptrón multicapa y para su validación el método (k-fold cross validation). Se realizó un balance de clases en la data de entrenamiento mediante el algoritmo Synthetic Minority Oversampling Technique a fin de garantizar métricas de mayor calidad.Resultados: Se analizaron 220 imágenes (estudios precoz y tardío) de tomografía por emisión de fotón único cerebral con 99mTc-MIBI de 110 pacientes con diagnóstico de glioma cerebral. La exactitud general del modelo fue elevada, tanto en el entrenamiento (97,3 %) como en la prueba (97,1 %) y el error fue bajo, tanto para el entrenamiento (2,7 %) como para la prueba (2,9 %). De todas las variables medidas la que mayor peso normalizado tuvo fue el índice de retención del radiofármaco.Conclusiones: La red neuronal artificial propuesta y entrenada para reconocer glioblastomas utilizando el perceptrón multicapa mediante biomarcadores extraídos de imágenes de SPECT cerebral con 99mTc-MIBI en una base de datos de gliomas cerebrales tuvo un entrenamiento satisfactorio y excelentes métricas de rendimiento.

  • English

    Introduction: Gliomas represent approximately 25% of all brain tumors in adults, and glioblastoma is the most frequent malignant primary brain tumor. Artificial intelligence, particularly machine learning techniques have the potential to become very powerful diagnostic tools and reliable aids for clinical neurologists.Objective: To determine the performance of an artificial neural network trained to identify glioblastomas by means of biomarkers extracted from brain SPECT images with 99mTc-MIBI using the multilayer perceptron.Methods: An observational, cross-sectional, quantitative study was carried out, at Hermanos Ameijeiras Clinical Surgical Hospital, Havana, Cuba, from 2018 to 2020. The multilayer perceptron was used as algorithm and the k-fold cross validation method for validation. A class balance was performed on the training data using the Synthetic Minority Oversampling Technique algorithm in order to ensure higher quality metrics.Results: Two hundred twenty images were analyzed, they were from early and late studies of brain single photon emission tomography with 99mTc-MIBI of 110 patients diagnosed with brain glioma. The general accuracy of the model was high, both in the training (97.3%) and in the test (97.1%) and the error was low, both for the training (2.7%) and for the test (2.9%). The retention index of the radiopharmaceutical was the variable with the greatest normalized weight from all the variables measured.Conclusions: The proposed artificial neural network trained to recognize glioblastomas using the multilayer perceptron using biomarkers extracted from 99mTc-MIBI brain SPECT images in a database of brain gliomas had satisfactory training and excellent performance metrics.