SpondyloMet Classifier

SpondyloMet Classifier

Este repositorio contiene el código fuente del artículo siguiente.

Se puede acceder al mejor modelo en la aplicación web Shiny. La predicción se realiza utilizando el modelo de bosque aleatorio final.

---

Análisis radiómico de los hallazgos de PET/TC con fludesoxiglucosa (18F) como biomarcador en la diferenciación de espondilodiscitis y metástasis óseas en pacientes con lesiones focales en la columna

Autores: Natasa Brisudova¹, Sona Balogova², Iveta Waczulikova¹
Correspondencia: Natasa Brisudova

Afiliaciones: ¹Facultad de Matemáticas, Física e Informática, Universidad Carolina, Bratislava
²Facultad de Medicina, Universidad Carolina, Bratislava

Introducción

El inicio temprano del tratamiento dirigido puede prevenir posibles complicaciones neurológicas irreversibles de la espondilodiscitis (SD) y/o metástasis espinales (MET). Sin embargo, diferenciar entre estas condiciones puede resultar un desafío, especialmente en las primeras etapas.

Objetivo: Identificar las características radiométricas de PET con FDG que ayudan a distinguir SD de MET.

Métodos

Se realizó un análisis retrospectivo de 31 elementos radiométricos de segundo y superior orden en 60 pacientes, con 30 casos confirmados de SD y 30 casos de MET por diversas neoplasias malignas. Se analizaron un total de 40 hallazgos de SD y 40 hallazgos de MET utilizando el software gratuito LIFEx, que calcula elementos convencionales, de textura y de forma de imágenes de diagnóstico.

Las características clínicas de los pacientes se compararon mediante la prueba no paramétrica de suma de rangos de Wilcoxon. La precisión diagnóstica se evaluó mediante la curva ROC. Además, se evaluó la capacidad predictiva para distinguir SD y MET mediante aprendizaje automático. Se probaron tres métodos: regresión logística múltiple, bosque aleatorio y máquinas de vectores de soporte, con tres métodos de selección de datos diferentes: validación cruzada K-fold, validación cruzada Leave-One-Out y Train-Test Split.

Resultados

Entre los 31 elementos radiométricos, 24 fueron estadísticamente significativos (p <0,05) para distinguir SD de MET. De estos, 9 elementos tuvieron un AUC > 80% para la precisión diagnóstica. Los valores más altos se alcanzaron con los siguientes parámetros:

• GLZLM_ZP (límite = 0,38, AUC = 83,25%)
• NGLDM_Contrast (límite = 0,17, AUC = 84,7%)
• GLRLM_GLNU (límite = 46,1, AUC = 88,8%)

En el aprendizaje automático, el método Random Forest con selección de datos Train-Test Split fue el más efectivo, logrando un límite de 0,28 y un AUC del 98,61%.

Conclusiones

Los resultados confirman que el análisis radiómico y el aprendizaje automático son enfoques prometedores para distinguir entre SD y MET en PET/CT con FDG. Los hallazgos respaldan una mayor validación de estos métodos.