Integrating Functiomics, Radiomics, and Dosiomics for the Management and Prediction of Radiation Pneumonitis in Lung Cancer Patients

Resumen Técnico: Integración de Functiómica, Radiómica y Dosiómica para la Predicción de la Neumonitis por Radiación

Planteamiento del Problema
La neumonitis por radiación (RP), específicamente la neumonitis aguda por radiación (ARP) de grado ≥2, es una complicación grave y potencialmente mortal para los pacientes con cáncer de pulmón sometidos a radioterapia. Los modelos de predicción existentes se basan principalmente en la imagen anatómica (radiómica) y en parámetros de dosis (dosiómica), omitiendo a menudo la heterogeneidad espacial de la función pulmonar. Aunque estudios previos han sugerido que la incorporación de la imagen funcional pulmonar (como la SPECT) con parámetros de dosis mejora la predicción, persiste una brecha en la comprensión del valor predictivo específico de las características radiómicas extraídas directamente de imágenes funcionales —denominadas "Functiomics" o Functiómica— cuando se integran con la radiómica y la dosiómica convencionales.

Metodología
Este estudio retrospectivo incluyó a 126 pacientes con cáncer de pulmón de células no pequeñas (NSCLC) localmente avanzado tratados con radioterapia de intensidad modulada (IMRT) entre 2015 y 2019. De estos, 64 pacientes (50.8%) desarrollaron ARP de grado ≥2. El estudio utilizó un enfoque multi-ómico que involucró tres categorías distintas de extracción de características de toda la región pulmonar (excluyendo el volumen tumoral macroscópico):

1. Radiómica: Características extraídas de imágenes de TC de planificación utilizando el paquete pyradiomics, incluyendo características de primer orden, de forma y de textura (GLCM, GLDM, GLRLM, GLSZM, NGTDM) derivadas de imágenes originales y filtradas (filtros de Laplaciano de Gauss y wavelet).
2. Dosiómica: Características extraídas de distribuciones de dosis 3D, incluyendo métricas de histograma dosis-volumen (DVH), momentos de dosis 3D invariantes de escala y características de textura aplicadas directamente al mapa de dosis.
3. Functiómica: Definida como las características radiómicas extraídas de imágenes de perfusión pulmonar. Estas imágenes funcionales fueron generadas mediante un modelo de aprendizaje profundo previamente entrenado basado en las TC de planificación, simulando datos de perfusión de Tomografía Computarizada de Emisión de Fotón Único (SPECT).

Selección de Características y Construcción del Modelo
El conjunto de datos se dividió en cohortes de entrenamiento y prueba en una proporción 7:3, repetida 30 veces para asegurar la robustez. Se empleó un riguroceso proceso de selección de características:

• Remuestreo: 100 rondas de remuestreo en el conjunto de entrenamiento.
• Filtrado: Eliminación de características de varianza cero seguida de un filtrado por prueba T (p < 0.01) contra el desenlace clínico.
• Clasificación: Las características fueron clasificadas por frecuencia de selección, reteniendo el 10% superior (mínimo 40).
• Eliminación de Redundancia: Se utilizó el análisis de correlación de Pearson (umbral 0.5) para eliminar características redundantes.

Se construyeron cinco modelos predictivos utilizando un clasificador Ridge con validación cruzada de cinco pliegues:

1. D: Solo Dosiómica.
2. R: Solo Radiómica.
3. F: Solo Functiómica.
4. RD: Radiómica + Dosiómica.
5. RDF: Radiómica + Dosiómica + Functiómica.

El rendimiento se evaluó mediante el Área Bajo la Curva (AUC), precisión, exactitud, sensibilidad (recall), puntuación F1, Análisis de Curva de Decisión (DCA) y curvas de calibración.

Resultos Clave

• Rendimiento del Modelo: El modelo totalmente integrado RDF alcanzó el mayor rendimiento predictivo con un AUC de 0.805 (IC 95%: 0.78–0.825) en la cohorte de prueba. El modelo RD (Radiómica + Dosiómica) produjo un AUC comparable de 0.781 (IC 95%: 0.756–0.809). El análisis estadístico no mostró diferencias significativas entre los modelos RDF y RD (p = 0.202).
• Comparación de Ómicas Únicas: Tanto la Radiómica (AUC 0.745) como la Functiómica (AUC 0.742) superaron significativamente al modelo de solo Dosiómica (AUC 0.653) (p < 0.001).
• Contribución de las Características: En el modelo óptimo RDF, las características de Functiómica representaron más del 50% de las características seleccionadas (17 de 32). Específicamente, 15 de las 17 características de la functiómica se derivaron de imágenes filtradas por wavelet. Las características de textura GLSZM (Matriz de Zona de Tamaño de Nivel de Gris) fueron dominantes dentro de la categoría de la functiómica.
• Utilidad Clínica: El Análisis de Curva de Decisión (DCA) indicó que los modelos híbridos (RD y RDF) proporcionaron beneficios clínicos netos superiores en comparación con los modelos de una sola ómica a través de un amplio rango de probabilidades de umbral (0.3 a 0.8). El modelo RDF demostró la mayor exactitud de predicción en las curvas de calibración.

Significancia y Afirmaciones
Los autores afirman que la integración de la Functiómica (radiómica de imágenes funcionales pulmonares) con la Radiómica y la Dosiómica mejora la predicción de la neumonitis por radiación. El estudio postula que la imagen funcional pulmonar proporciona un valor predictivo complementario más allá de las características anatómicas y dosimétricas convencionales.

Las conclusiones clave extraídas por los autores incluyen:

• La inclusión de características de la functiómica mejora significativamente la exactitud de la clasificación en comparación con el uso exclusivo de características de dosis.
• Si bien la adición de características de la functiómica al modelo RD no resultó en un aumento estadísticamente significativo del AUC sobre el modelo RD por sí solo, las características de la functiómica constituyeron la mayoría del conjunto de características en el modelo óptimo, lo que sugiere su papel crítico en la captura de la heterogeneidad pulmonar.
• Las imágenes funcionales filtradas por wavelet parecen ser particularmente efectivas para la predicción de la ARP.

Limitaciones y Direcciones Futuras
Los autores reconocen modestamente algunas limitaciones:

• Tamaño de la Muestra: La cohorte relativamente pequeña (n=126) puede limitar el poder estadístico y la generalizabilidad.
• Fuente de Imagen Funcional: Las imágenes funcionales fueron generadas mediante un modelo de aprendizaje profundo basado en TC en lugar de ser adquiridas directamente de imágenes reales de SPECT. Los autores señalan que esto puede explicar por qué la ganancia de rendimiento al añadir la functiómica al modelo RD no fue estadísticamente significativa y solicitan la validación utilizando imágenes funcionales pulmonares reales.
• Estabilidad de las Características: La estabilidad de las características de la functiómica requiere un análisis separado adicional.

El artículo concluye que, si bien estos hallazgos justifican una mayor validación en cohortes más grandes y diversas, la integración de características multi-ómicas representa un enfoque prometedor para mejorar la predicción de la RP en la radioterapia de cáncer de pulmón.