Una arquitectura de análisis de imágenes seriadas con la tomografía por emisión de positrones mediante la aplicación de machine learning combinado para la detección del cáncer de pulmón

• Autores: S. Guzmán Ortiz, R. Hurtado Ortiz, A. Jara Gavilanes, R. Ávila Faican, B. Parra Zambrano
• Localización: Revista española de medicina nuclear e imagen molecular, ISSN 2253-654X, Vol. 43, Nº. 3 (mayo-junio), 2024, pág. 1
• Idioma: español
• Títulos paralelos:
  • A serial image analysis architecture with positron emission tomography using machine learning combined for the detection of lung cancer
• Texto completo no disponible (Saber más ...)
• Resumen
  • español

    Introducción y objetivos El cáncer de pulmón es el segundo tipo de cáncer con mayor tasa de incidencia y el primero de mortalidad en el mundo. El aprendizaje automático o machine learning a través del análisis de pruebas de imagen como la tomografía por emisión de positrones/tomografía computarizada (PET/TC) se ha convertido en una herramienta fundamental para la detección temprana y precisa del cáncer. El objetivo de este estudio fue plantear una arquitectura de análisis de imágenes (PET/TC) ordenada en fases mediante la aplicación de métodos de machine learning combinado o ensemble para la detección temprana del cáncer de pulmón analizando imágenes PET/TC.

    Material y métodos Se realizó un estudio retrospectivo de observación. Se utilizó una base de datos pública, «A large-scale CT and PET/CT dataset for lung cancer diagnosis», en la que se usaron modalidades de exploraciones: TC, PET e imágenes fusionas PET/TC. Las fases de la arquitectura o marco de trabajo de este estudio fueron: 1) carga o recolección de imágenes; 2) selección de imágenes; 3) transformación de imágenes, y 4) balanceo de distribución de frecuencia de clases de imágenes. Los modelos predictivos para la detección del cáncer de pulmón analizando imágenes PET/TC fueron: a) el modelo Stacking, el cual utilizó como modelos base al modelo Random Forest y el modelo Máquina de Soporte Vectorial (Support Vector Machine [SVM]) para luego complementarlo con una regresión logística como modelo final, y b) el modelo Boosting, el cual utilizó el modelo Adaptive Boosting (AdaBoost) para ser comparado con el modelo Stacking. Las medidas de calidad utilizadas fueron: precisión, exactitud, exhaustividad, valor-F1.

    Resultados En este estudio se pudo apreciar un rendimiento general del 94% con el método de Stacking y un rendimiento general del 77% con el método de Boosting.

    Conclusiones El método Stacking demostró ser un modelo con un gran rendimiento y calidad para la detección del cáncer de pulmón al analizar imágenes PET/TC.

  • English

    Introduction and objectives Lung cancer is the second type of cancer with the second highest incidence rate and the first with the highest mortality rate in the world. Machine learning through the analysis of imaging tests such as positron emission tomography/computed tomography (PET/CT) has become a fundamental tool for the early and accurate detection of cancer. The objective of this study was to propose an image analysis architecture (PET/CT) ordered in phases through the application of ensemble or combined machine learning methods for the early detection of lung cancer by analyzing PET/CT images.

    Material and methods A retrospective observational study was conducted utilizing a public dataset titled «A large-scale CT and PET/CT dataset for lung cancer diagnosis.» Various imaging modalities, including CT, PET, and fused PET/CT images, were employed. The architecture or framework of this study comprised the following phases: 1. image loading or collection; 2. image selection; 3. image transformation, and 4. balancing the frequency distribution of image classes. Predictive models for lung cancer detection using PET/CT images included: a) the Stacking model, which used Random Forest and Support Vector Machine (SVM) as base models and complemented them with a Logistic Regression model, and b) the Boosting model, which employed the Adaptive Boosting (AdaBoost) model for comparison with the Stacking model. Quality metrics used for evaluation included accuracy, precision, recall, and F1-score.

    Results This study showed a general performance of 94% with the Stacking method and a general performance of 77% with the Boosting method.

    Conclusions The Stacking method proved to be a model with high performance and quality for lung cancer detection when analyzing PET/CT images.