Beneficios para la investigación de la Multidimensionalidad: integrando datos

Transcripción

1 Beneficios para la investigación de la Multidimensionalidad: integrando datos Angel Alberich-Bayarri, PhD 1 Biomedical Imaging Research Group (GIBI2 30 ) La Fe Polytechnics and University Hospital 2 QUIBIM SL

2 Contenido 1. Introducción 2. Antes de la Multidimensionalidad: extracción de datos de calidad a partir de las imágenes 3. Multidimensionalidad en la imagen: visualizar la enfermedad 4. Multidimensionalidad en los datos: Radiomics 1. Definición 2. Características 3. Reducción de datos 4. Clasificación 5. Implementación 6. Conclusiones

3 Introducción Necesidades de la investigación clínica en relación a las técnicas de imagen Objetivos y reproducibles Eficaces en la evaluación de la enfermedad y el tratamiento Métodos de análisis de imagen Coste-eficientes Con resultados subrogados o cercanos a los objetivos clínicos

4 Introducción Principal beneficio de la Multidimensionalidad Acercarnos desde la imagen a los objetivos clínicos finales (clinical endpoints) de la enfermedad Dónde están las células malignas? Va a recidivar el tumor? Cuánto vivirá mi paciente? Ha sido efectivo el tratamiento?

5 Antes de la Multidimensionalidad: Extracción de datos, Biomarcadores de Imagen Todos reconocemos que los Biomarcadores de Imagen y el Smart Data liderarán el cambio de paradigma en la imagen médica

6 Antes de la Multidimensionalidad: Extracción de datos, Biomarcadores de Imagen Con el propósito de integrar la radiología cuantitativa en uso clínico, desarrollamos un nuevo flujo de trabajo 1 que se incluyó finalmente en la publicación ESR statement on the stepwise development of Imaging Biomarkers 2. 1 Martí Bonmatí L, Alberich-Bayarri A, et al. [Imaging biomarkers, quantitative imaging, and bioengineering]. Radiologia May-Jun;54(3): European Society of Radiology. ESR statement on the stepwise development of Imaging Biomarkers. Insights Imaging Apr;4(2):

7 Antes de la Multidimensionalidad: Extracción de datos, Biomarcadores de Imagen Actualmente, se pueden extraer un elevado número de biomarcadores de imagen de las modalidades de TC, RM, PET, US o incluso Radiología Convencional. Estructurales (volumetría, forma, composición) y Dinámicos (perfusión, difusión, T1, T2). El proceso de pasar de un conjunto de imágenes médicas digitales a conjunto de datos explotable que describe cuantitativamente lo que ocurre en las imágenes se enmarca bajo el nombre de radiomics.

8 Antes de la Multidimensionalidad: Extracción de datos, Biomarcadores de Imagen European Society of Radiology. ESR statement on the stepwise development of Imaging Biomarkers. Insights Imaging Apr;4(2):

9 Antes de la Multidimensionalidad: Extracción de datos, Biomarcadores de Imagen Proporcionando una metodología de desarrollo de nuevos biomarcadores de imagen y su correspondiente validación 1 Martí Bonmatí L, Alberich-Bayarri A, et al. [Imaging biomarkers, quantitativeimaging, and bioengineering]. Radiologia May- Jun;54(3):

10 Antes de la Multidimensionalidad: Extracción de datos, Biomarcadores de Imagen

11 Antes de la Multidimensionalidad: Extracción de datos, Biomarcadores de Imagen

12 Multidimensionalidad en la imagen: Visualizando la enfermedad Para combinar diversas fuentes de información en imágenes multivariantes es necesario garantizar la coherencia espacial. Registro espacial (rígido y no rígido): Intra-serie (ejemplo: serie de perfusión con inyección de contraste) Intra-modalidad (ejemplo: imágenes de perfusión superpuestas a imágenes anatómicas alta resolución) Inter-modalidad (ejemplo: PET-RM, PET-TC, RM-TC, RM-US)

13 Multidimensionalidad en la imagen: Visualizando la enfermedad Ejemplo 1: Cáncer de próstata Tamaño (~3) Forma (~10) Intensidad (~5) Textura (~30) Imágenes Fuente Análisis masivo de biomarcadores de imagen Minería de datos de imagen Función (~ )

14 Alfredo Torregrosa Multidimensionalidad en la imagen: Visualizando la enfermedad Ejemplo 1: Cáncer de próstata Combinar información de celularidad (RM difusión) y angiogénesis tumoral (RM perfusión) para determinar regiones con mayor agresividad tumoral Registro: Afín + B-Splines (elástico) Información mutua T2 Campo de deformación Difusión (registro) Perfusión (registro)

15 K trans [z-zscore] K trans [min -1 ] Multidimensionalidad en la imagen: Visualizando la enfermedad Ejemplo 1: Cáncer de próstata Análisis de difusión y perfusión vóxel a vóxel y clusterización de datos Clustering jerárquico aglomerativo Z-score ADC [mm [z-score] 2 /s] Alfredo Torregrosa

16 Multidimensionalidad en la imagen: Visualizando la enfermedad Ejemplo 1: Cáncer de próstata Gleason 6 Gleason 7 Gleason 9 Alfredo Torregrosa

17 Multidimensionalidad en la imagen: Visualizando la enfermedad Ejemplo 2: Mieloma Múltiple Valorar Enfermedad Mínima Residual posttratamiento a partir del análisis longitudinal Irene Mayorga, Fabio García

18 Multidimensionalidad en la imagen: Visualizando la enfermedad Ejemplo 2: Mieloma Múltiple 3 pacientes con Respuesta Completa según lectura de Medicina Nuclear y criterios IMWG Los mapas delta-suv vóxel a vóxel tras normalización hepática muestran regiones con incremento de SUV: Enfermedad Mínima Residual? Irene Mayorga, Fabio García

19 Multidimensionalidad en los datos: Radiomics La radiómica permitirá incrementar la precisión en el diagnóstico, la evaluación pronóstica, y la predicción a la respuesta terapéutica Radiomics no es una técnica diseñada para ser aplicada directamente al paciente individual Se basa en análisis de características en una población para la extracción de relaciones entre ellas y los endpoints que puedan aplicarse al paciente individual

20 Multidimensionalidad en los datos: Radiomics Definición El análisis multivariante de grandes cantidades de biomarcadores de imagen extraídos a partir del procesamiento de imágenes radiológicas (TC, RM, PET) con el objetivo de encontrar una relación con un diagnóstico, pronóstico o eficacia terapéutica.

21 Multidimensionalidad en los datos: Radiomics?

22 Multidimensionalidad en los datos: Radiomics T1 T1-FS+Gd Diámetro Volumetría Texturas Forma Dimensión fractal T2 Imágenes Fuente PET-CT Análisis Masivo de Biomarcadores de Imagen Minería de Datos de Imagen Farmacocinética Difusión SUV Características

23 Multidimensionalidad en los datos: Radiomics Reducción de datos Z score El número de biomarcadores de imagen que pueden extraerse es similar al existente en el ámbito del genotipado Necesidad de reducir los datos Features 1 n Thresholding and reordering to identify groups within which features are highly correlated Features 1 n Van Beers B, et al.

24 Multidimensionalidad en los datos: Radiomics Reducción de datos Matriz de correlación de 219 características extraída de 235 pacientes de cáncer de pulmón Image courtesy of Y. Balagurunathan

25 Multidimensionalidad en los datos: Radiomics Clasificación Tras la reducción de datos existe la necesidad de aplicar algoritmos de clasificación para analizar estadísticamente la distribución de valores en la población según los criterios de imagen. Métodos supervisados y no supervisados.

26 Multidimensionalidad en los datos: Radiomics Clasificación Van Beers B, et al.

27 Multidimensionalidad en los datos: Radiomics Ejemplo 3: cáncer de recto Tratamiento de consolidación RT + Qt vs. Tratamiento quimiort largo ciclo en cáncer de recto (40 pacientes) Se puede extraer algún biomarcador de imagen pronóstico a partir de análisis radiómico del estudio pre-tratamiento? Publication pending Fabio García

28 Multidimensionalidad en los datos: Radiomics Ejemplo 3: cáncer de recto Tratamiento de consolidación RT + Qt vs. Tratamiento quimiort largo ciclo en cáncer de recto (40 pacientes) Basal Seguimiento Publication pending Fabio García

29 Multidimensionalidad en los datos: Radiomics Ejemplo 3: cáncer de recto Tratamiento de consolidación RT + Qt vs. Tratamiento quimiort largo ciclo en cáncer de recto (40 pacientes) Publication pending Fabio García

30 2D Fractal Dimension Multidimensionalidad en los datos: Radiomics Ejemplo 3: cáncer de recto Tratamiento de consolidación RT + Qt vs. Tratamiento quimiort largo ciclo en cáncer de recto 2D Fractal Dimension vs. Relapse of Rectal Cancer (40 pacientes) Valor pronóstico: Recidiva tras 22 semanas D2D en basal (p=0.05) Publication pending 0 1 Relapse Fabio García

31 Multidimensionalidad en los datos: Radiomics Gilies RJ, et al. Images are more than pictures, they are data Feb;2:563:577.

32 Multidimensionalidad en los datos: Radiomics Paciente Relaciones entre características y endpoints de la población al individuo Adquisición de imágenes Registro y segmentación Reducción de datos y clasificación Extracción de biomarcadores de imagen de la lesión Diámetro, área, volumen, texturas, fractales, ADC, K trans,

33 Implementación: Proyecto Euro-BioImaging EURO-BIOIMAGING. EMPOWERING EUROPE TO LEAD THE REVOLUTION IN IMAGING TECHNOLOGIES. Population Imaging Node Valencia Banco de Imágenes Médicas de la Comunidad Valenciana (BIMCV) IP: Luis Martí-Bonmatí Centro coordinador: IIS La Fe Gobernanza: IIS La Fe, FISABIO, Universitat de València, Universitat Politècnica de València, Universidad de Alicante

34 Implementación: Plataforma de análisis de biomarcadores de imagen Más de 150 instituciones registradas Almacenamiento, análisis de biomarcadores de imagen y radiómica. Solución local y cloud análisis / año

35 Implementación: Integración con informe estructurado - Database storage - Allowing for scientific data exploitation

36 Implementación: Plataforma de Radiología Experimental y Biomarcadores de Imagen Equipo PET-TC instalado en diciembre 2017

37 Conclusiones La integración de datos multidimensionales de imagen médica aporta un claro beneficio a la investigación: Introducción de metodologías automatizadas, robustas y sistemáticas de extracción de biomarcadores de imagen: objetividad y reproducibilidad. Eficaces en la evaluación de alteraciones tisulares y fisiológicas de la enfermedad y los tratamientos. Coste-efectivas: carga computacional La integración de biomarcadores de imagen en análisis multidimensionales permite acercar las conclusiones a los hallmarks y objetivos clínicos finales.

38 Agradecimientos

39 Beneficios para la investigación de la Multidimensionalidad: integrando datos Angel Alberich-Bayarri, PhD 1 Biomedical Imaging Research Group (GIBI2 30 ) La Fe Polytechnics and University Hospital 2 QUIBIM SL