Estudo radiómico em tomografia computorizada do AVC hemorrágico subaracnoideu com recurso a machine learning

O Acidente Vascular Cerebral (AVC) é uma patologia do foro vascular que resulta na lesão das células cerebrais, devido à ausência de suprimento de oxigénio e nutrientes, levando à morte de tecido cerebral, e consequentemente, a uma perda das funções neurológicas. O AVC Hemorrágico Subaracnoideu, como todos os AVCs, deve ser diagnosticado rapidamente, sendo que o exame de 1ª linha é a Tomografia Computorizada (TC). O presente trabalho teve como objetivo identificar os contributos da radiómica aliada a métodos de Machine Learning na deteção e localização (lateralidade e nível) do AVC Hemorrágico Subaracnoideu. Foi utilizada uma base de dados pública de estudos de TC crânio-encefálica (RSNA_500_Stroke_reads) de onde, após uma triagem, foram selecionados 30 estudos de pacientes com hemorragia subaracnoide e 35 estudos de pacientes sem qualquer patologia. Em ambos os casos, tratava-se de estudos sem utilização de Contraste Intra Venoso (S/CIV) com espessura de corte de 5mm e a base de dados integrava, para além das imagens, informação relacionada com a avaliação por parte de 3 observadores. Das séries de TC dos estudos selecionados, foram segmentadas 12 regiões de interesse (M1, M2, M3, M4, M5, M6 direitas e esquerdas) entre as definidas no Alberta Stroke Program Early CT (ASPECT) nos planos ao nível ganglionar e supra ganglionar e foram extraídas as características radiómicas em cada uma dessas zonas. Utilizando a base de dados de características radiómicas e observacionais, foi realizado o treino de diferentes classificadores para a deteção do AVC e para a sua localização, tendo sido depois selecionado o que teve melhor desempenho. Os resultados demonstraram uma alta taxa de acurácia na deteção e localização do AVC Hemorrágico Subaracnoideu, tendo sido obtidos valores de acurácia superiores a 90%. O classificador Fine KNN (K=3) apresentou uma acurácia de com 96.9% na identificação do AVC. Já na identificação da lateralidade do AVC, o classificador Fine KNN (K=1) apresentou, como melhor resultado, uma acurácia de 94%. Por fim, em relação ao nível a que se encontrava o AVC (ganglionar ou supra ganglionar), o melhor resultado foi obtido pelo classificador Fine KNN (K=1) com uma acurácia de 92.1%. No âmbito do trabalho realizado pode-se concluir que a informação radiómica extraída de uma seleção de zonas ASPECT, aliada a métodos de ML, permite não só detetar a existência do AVC Hemorrágico Subaracnoideu, mas também identificar a sua localização e nível anatómico, com um elevado grau de certeza. Por outro lado, permitiu perspetivar a replicação da metodologia adotada no contexto do desenvolvimento de software que permita contribuir para diagnóstico mais rápido e assertivo do AVC hemorrágico.

Stroke is a vascular disorder resulting in the damage of brain cells due to the lack of oxygen and nutrients supply, leading to the death of brain tissue, and consequently, loss of neurological functions. The Hemorrhagic Subarachnoid Stroke, like all strokes, must be diagnosed quickly, with the first-line examination being Computed Tomography (CT). This study aimed to identify the contributions of Radiomics combined with Machine Learning methods in the detection and location (lateralization and level) of Hemorrhagic Subarachnoid Stroke. A public database of cranial CT studies (RSNA_500_Stroke_reads) was used, from which 30 studies of patients with subarachnoid hemorrhage and 35 studies of patients without any pathology were selected. In both cases, non-contrast CT scans with a slice thickness of 5mm were used, and the database included information related to evaluation by 3 observers. In the CT series of the selected studies, 12 regions of interest were segmented (M1, M2, M3, M4, M5, M6 right and left), selected from those defined in the Alberta Stroke Program Early CT (ASPECT) at ganglionic and supra-ganglionic levels, and radiomic features were extracted in each of these zones. Using the database of radiomic and observational features, different classifiers were trained for the detection and location of the stroke, and the one that yielded the best performance was selected. The results demonstrated a high accuracy rate in the detection and location of Hemorrhagic Subarachnoid Stroke, with accuracies above 90%. The Fine KNN classifier (K=3) achieved an accuracy of 96.9% in identifying the stroke. In the case of stroke lateralization, the Fine KNN classifier (K=1) achieved the best performance with an accuracy of 94%. Lastly, regarding the level of the stroke (ganglionic and supra-ganglionic), the best performance was achieved by the Fine KNN classifier (K=1) with an accuracy of 92.1%. In the context of the work carried out, can be concluded that radiomic data extracted from a selection of ASPECT zones, combined with ML methods, allows not only to detect the presence of Subarachnoid Hemorrhagic Stroke but also to determine its location and anatomical level with a high degree of certainty. On the other hand, it has enabled us to envision the replication of the methodology adopted in the context of software development, which can contribute to a faster and more accurate diagnosis of hemorrhagic stroke.

Mestrado em Tecnologias da Imagem Médica