Material y método

Estudio observacional, retrospectivo, unicentro, realizado entre marzo 2019 y abril 2021, en 200 pacientes ambulatorios con diagnóstico por biopsia de cáncer de próstata (edad promedio 65 años, rango 45 a 84 años) referidos al Laboratorio de Radioisótopos de Córdoba para estadificación mediante centellografía ósea. El protocolo de estudio fue aprobado por el Comité de Ética de la institución en acuerdo con la declaración de Helsinki.

Centellografía ósea corporal total e interpretación de las imágenes

La centellografía se realizó en proyección anterior / posterior, 2-4 horas después de la administraron de 20-25 mCi de ^99mTc-metilendifosfonato (MDP) usando una gamma cámara SPECT con doble detector, adquiriéndose imágenes de cuerpo entero con resolución de 1024x256 pixeles. El centellograma fue complementado con otros estudios de laboratorio o de imágenes, necesarios para su adecuada interpretación visual por dos médicos especialistas en Medicina Nuclear con al menos 30 años de experiencia. El resultado del estudio centellográfico fue informado como 1) no metastásico o 2) metastásico (fig.1), clasificándose la extensión de las metástasis óseas de acuerdo al número de áreas hipercaptantes (< 6, entre 6 y 20, > 20), en grado 1, 2 y 3 respectivamente, y grado 4 cuando estuvo comprometido > 75% del esqueleto con ausencia de visualización de los parénquimas renales (patrón denominado “súper scan”)^(7,8,9). En todos los pacientes, las imágenes planares se complementaron con imágenes SPECT de la columna dorsolumbar.

Metodología 

La base de datos consistió en 200 imágenes centellográficas en proyección posterior de pacientes con cáncer de próstata, en formato DICOM, que fueron transferidas al programa ImageJ 1.5 (NIH.gov), donde se aplicaron los siguientes pasos: 1) reducción de las imágenes al tamaño de 128x512 pixeles; 2) conversión a color 3.3.2 RGB; y 3) almacenaje en formato JPG. Las imágenes a) no metastásicas y b) metastásicas.fueron transferidas a la plataforma WEKA, en un archivo de texto, en formato .arff (fig. 2). Las imágenes fueron las variables predictivas / discriminatorias de entrada al programa de aprendizaje automático y minería de datos WEKA (versión 3.9.1, University of Waikato, NZ), donde se realizó; 1) análisis con AutoWeka sin filtrado de las imágenes, 2) previo filtrado usando los filtros no supervisados que extraen de las imágenes en color datos numéricos a ser usados en la clasificación de las mismas. En nuestro estudio utilizamos: a) solo el filtro ColorLayout (que divide la imagen en 64 bloques y calcula los promedios de distribución de sus colores), y b) combinado con el filtro SimpleColorHistogram (que extrae del histograma de color rojo, verde y azul el número de pixeles). Después de estos pasos, se aplicó Auto-WEKA para clasificar las imágenes en 1) no metastásicas y 2) metastásicas empleando el modelo del árbol de decisión RandomForest, con sus resultados métricos de estadísticas kappa, verdaderos positivos (VP), falsos positivos (FP), verdaderos negativos (VN), exactitud, sensibilidad, especificidad y área bajo la curva ROC (AUC)^(10,11).