Redes neurais convolucionais para detecção do status do gene MGMT em pacientes com glioblastomas a partir de imagens de ressonância magnética

Abstract

A automatização de diferentes processos médicos via aplicação de aprendizado de máquina vem ganhando destaque ao longo do tempo, devido a seus resultados equiparáveis aos de especialistas em diversas áreas. Nesse trabalho, técnicas de aprendizado de máquina são aplicadas na tarefa de classificação do status do gene MGMT em pacientes com glioblastomas, uma categoria de tumor cerebral com elevado nível de agressividade, com um tempo médio de sobrevida de cerca de 14,6 meses. Métodos cirúrgicos, complementados por tratamentos quimioterápicos, visam aumentar o tempo de sobrevida dos pacientes e melhorar seu bem-estar. O sucesso desses tratamentos está ligado a determinados marcadores genéticos, como o nível de metilação (silenciamento das atividades) do gene MGMT. Métodos invasivos são utilizados para identificação do status do gene, os quais acarretam riscos para o paciente, limitando sua aplicabilidade. Devido a isso, técnicas não-invasivas, baseadas na classificação de imagens de ressonância magnética por meio de aprendizado de máquina, vêm sendo desenvolvidas. Esse trabalho explora quatro técnicas para classificação do status do gene MGMT em pacientes com glioblastomas, visando a comparação dos resultados de cada método em uma base de dados pública, comum e de elevada qualidade. Especificamente, são investigadas abordagens baseadas em extração de features radiômicas e baseadas em redes neurais convolucionais, tanto para classificação 2D/3D quanto para segmentação semântica. Nenhuma das abordagens testadas demonstrou significativa capacidade de classificação automática do status do gene MGMT, todas tendo, em média, uma ROC-AUC (%) de 60% (±2,78%) no conjunto de teste utilizado para comparação dos resultados.

Abstract: The automation of different medical processes via the application of machine learning has been gaining prominence over time, due to its results comparable to those of experts in various fields. In this work, machine learning techniques are applied to the task of classifying the status of the MGMT gene in patients with glioblastomas, a category of brain tumor with a high level of aggressiveness, with an average survival time of about 14.6 months. Surgical methods, complemented by chemotherapeutic treatments, aim to increase the survival time of patients and improve their well-being. The success of these treatments is linked to certain genetic markers, such as the level of methylation (silencing activities) of the MGMT gene. Invasive methods are used to identify the gene status, which carry risks for the patient that limit their applicability. Because of this, non-invasive techniques, based on classification of magnetic resonance images using machine learning, have been developed. This paper explores four techniques for classifying MGMT gene status in patients with glioblastomas, aiming to compare the results of each method on a common, high quality, public database. Specifically, radiomic feature extraction-based and convolutional neural network-based approaches for both 2D/3D classification and semantic segmentation are investigated. None of the approaches tested demonstrated much ability to automatically classify the status of the MGMT gene, all having, on average, an ROC-AUC (%) of 60% (±2,78%) on the test set used to compare results.