Multimodal classification of Radiation-Induced Contrast Enhancements and tumor recurrence using deep learning

1. Problema e Contexto Clínico

A diferenciação entre recorrência tumoral e realce de contraste induzido por radiação (RICE - Radiation-Induced Contrast Enhancements) em pacientes com glioblastoma (GBM) após o tratamento é um desafio clínico crítico.

• O Dilema: Ambos os fenômenos manifestam-se como lesões que realçam com contraste em imagens de Ressonância Magnética (MRI) de forma visualmente similar.
• Limitações Atuais: O fluxo de trabalho atual depende de uma reavaliação complexa e demorada em conselhos de tumor multidisciplinares. Métodos existentes baseiam-se frequentemente em MRI de difusão (que é clinicamente escasso) ou ignoram mapas de dose de radiação, que são dados cruciais disponíveis nos planos de tratamento.
• Necessidade: Desenvolver uma ferramenta automatizada que utilize dados de MRI convencionais (amplamente disponíveis) integrados a dados de radioterapia para auxiliar na decisão clínica precoce.

2. Metodologia

2.1. Dados e Coorte

• Cohorte: 92 pacientes com GBM tratados na Clínica Universitária de Heidelberg (UKHD).
• Divisão dos Dados:
  • Treinamento/Validação: 80 pacientes (48 recorrência, 32 RICE).
  • Teste Independente: 12 pacientes (7 recorrência, 5 RICE).
• Modalidades de Entrada (3 volumes por paciente):
  1. MRI Pós-Operatório (Post-OP): Ressonância T1 com contraste após a ressecção cirúrgica (linha de base).
  2. MRI do Evento (Event): Ressonância T1 com contraste no momento da detecção da nova lesão (incerteza diagnóstica).
  3. Mapa de Dose de Radiação (RD): Mapa 3D detalhando a distribuição espacial e a dose cumulativa entregue durante o tratamento.
• Pré-processamento: Redimensionamento isotrópico, registro de imagem (ANTs), extração do cérebro (HD-BET), normalização de intensidade (z-score) e corte para 224x224x224 voxels.

2.2. Arquitetura do Modelo (RICE-NET)

• Modelo: Rede Neural 3D ResNet-18 adaptada para classificação volumétrica médica, implementada no framework MONAI.
• Estrutura: Camada convolucional 3D inicial, seguida por quatro blocos residuais (com normalização em lote e ativação ReLU), pooling global médio e uma camada totalmente conectada para classificação.
• Fusão Multimodal: Para experimentos com múltiplas modalidades, as entradas são concatenadas ao longo da dimensão do canal.
• Treinamento: 800 épocas, validação cruzada de 5 dobras, otimizador Adam, perda de entropia cruzada e amostrador aleatório ponderado para lidar com desequilíbrio de classes.
• Métricas: Macro F1-score (média não ponderada dos F1-scores de cada classe) como métrica principal.
• Interpretabilidade: Uso de mapas de sensibilidade à oclusão (occlusion sensitivity) para identificar quais regiões das imagens influenciam a decisão do modelo.

2.3. Configuração Experimental

Foram realizados experimentos de ablação para avaliar a contribuição individual e combinada das modalidades:

1. MRI Post-OP (isolado)
2. MRI Event (isolado)
3. Mapa RD (isolado)
4. MRI Post-OP + MRI Event
5. MRI Post-OP + RD
6. MRI Event + RD
7. Todas as modalidades combinadas (3 entradas)

3. Resultados Principais

• Desempenho Geral: O modelo RICE-NET alcançou um F1-score de 0,92 no conjunto de teste independente (usando um ensemble de modelos validados cruzadamente).
• Contribuição das Modalidades (Validação):
  • Mapa de Dose (RD) Isolado: Foi a entrada mais informativa individualmente, alcançando um F1 de 0,78. Isso demonstra que a distribuição espacial da dose contém forte informação preditiva sobre a resposta tecidual.
  • MRI Event Isolado: F1 de 0,58 (desempenho moderado).
  • MRI Post-OP Isolado: F1 de 0,70.
  • Combinações: A integração de MRI com o mapa de RD superou o uso de MRI isolado. A melhor combinação de pares foi MRI Event + RD (F1 = 0,83). A combinação de todas as três modalidades resultou em F1 de 0,804 na validação.
• Análise de Interpretabilidade: Os mapas de oclusão confirmaram que o modelo foca consistentemente nas regiões de alta dose de radiação e nas lesões que realçam com contraste, validando a lógica clínica do modelo.
• Desafio de Generalização: Houve uma lacuna de desempenho entre a validação cruzada e o teste (especialmente em experimentos apenas com MRI, onde o teste caiu ~0,35), indicando incerteza estatística devido ao tamanho limitado da coorte.

4. Contribuições Chave

1. Integração de Dados de Radioterapia: Demonstração pioneira de que incorporar mapas de dose de radiação (RD) em modelos de deep learning é crucial para diferenciar RICE de recorrência, superando a dependência exclusiva de imagens de MRI.
2. Uso de MRI Convencional: O modelo utiliza sequências T1 com contraste padrão (amplamente disponíveis), ao contrário de estudos anteriores que dependiam de MRI de difusão (menos comum na prática clínica rotineira).
3. Análise de Ablação Sistemática: Quantificação clara de que a informação de dose é o fator mais discriminativo individualmente, mas que a combinação multimodal oferece o melhor desempenho global.
4. Ferramenta de Apoio à Decisão: RICE-NET oferece uma abordagem automatizada para reduzir a incerteza diagnóstica no acompanhamento de pacientes com GBM.

5. Significado e Limitações

• Significado: O estudo valida o potencial da aprendizagem profunda multimodal para melhorar a precisão diagnóstica na neuro-oncologia. A descoberta de que os mapas de dose são preditores fortes sugere que a resposta tecidual à radiação carrega assinaturas biológicas detectáveis que podem ser aprendidas por IA.
• Limitações:
  • Tamanho pequeno da coorte (92 pacientes), o que limita a robustez estatística e a generalização.
  • Ausência de sujeitos não afetados (controles saudáveis) no conjunto de dados.
  • Fusão simples por concatenação de canais, que pode não capturar interações complexas não lineares entre MRI e dose.
• Trabalho Futuro: Expansão do conjunto de dados, inclusão de casos não recorrentes, exploração de fusão avançada e validação multicêntrica para confirmar a utilidade clínica do RICE-NET.