Resumen:
El Glioblastoma multiforme (GBM) es el tipo más común de tumor cerebral maligno yrepresenta del 40-50% de todas las neoplasias cerebrales primarias en adultos [1]. En México poco se sabe sobre la epidemiología de los tumores del Sistema Nervioso Central.
El diagnóstico por imágenes se realiza mediante la tomografía axial computarizada o la resonancia magnética, que permiten conocer la localización y el tamaño del tumor. Sin embargo la resonancia magnética se encuentra subutilizada. Existen varias métricas
asociadas al tensor de difusión y volúmenes de los componentes quístico y necrótico tumorales (susceptibles de obtenerse mediante resonancia magnética) que pudieran servir para conocer la severidad del Glioblastoma Multiforme y facilitar la toma temprana de decisiones en cuanto a la planificación del tratamiento.
El objetivo de este trabajo fue relacionar las características volumétricas cerebrales asociadas al GBM y el tensor de difusión con los grupos de severidad tumoral mediante los modelos de red neuronal y análisis discriminante.
Se realizó un estudio retrospectivo de 36 pacientes enfermos de GBM con comprobación histopatológica. Se evaluaron imágenes de Resonancia Magnética potenciadas a T1, pre y post contraste (gadolinio), T2 y FLAIR para obtener los siguientes volúmenes: CFS, Gray Matter, White Matter, Necrotic, Non Enhancing, Enhancing y Edema. También se tomaron en consideración las imágenes con DTI para la obtención de métricas asociadas al tensor de difusión (DT): MD, FA, RA, RD, AD, Cs, p, q, L, Cl, Cp y Ca. Además se realizó una clasificación de los pacientes en relación a la severidad del GBM en base a su capacidad invasiva y probable zona anatómica de origen. Con esto se obtuvo un total de 50 variables.
Posteriormente, se elaboró un modelo de Red Neuronal Artificial que permite pronosticar la severidad del tumor a partir de los volúmenes cerebrales y las métricas provenientes del
DT. Para poder interpretar de forma más clara la interrelación de las variables, se realizó un Análisis Discriminante con las 25 de mayor importancia en la Red Neuronal Artificial.
De esta forma quedaron 2 variables, la Cs del Edema y la FA de la Necrosis.
Posteriormente se compararon los modelos de Red Neuronal Artificial y Análisis Discriminante en términos de sensibilidad especificidad, valor predictivo positivo, valor predictivo negativo, razón de verosimilitud positiva, razón de verosimilitud negativa,
curvas ROC y medidas de las AUROC.
Cómo resultados se tiene en primer lugar, la creación de modelos clasificatorios eficaces, siendo el Análisis Discriminante casi tan bueno como la Red Neuronal Artificial en términos de eficiencia diagnóstica, pero de más fácil interpretación. En segundo lugar, la
Fracción de Anisotropía de la Necrosis juega un papel importante en ambos modelos, lo cual puede ser un indicador de que el grado de severidad tumoral esté asociado a un proceso de necrosis infiltrante.