https://www.ortopediaoncologicamexico.mx/academia/aprendizaje-profundo-para-la-diferenciacion-del-osteosarcoma-osteolitico-y-el-tumor-de-celulas-gigantes-alrededor-de-la-articulacion-de-la-rodilla-en-radiografias-un-estudio-multicentrico/

Aprendizaje profundo para la diferenciación del osteosarcoma osteolítico y el tumor de células gigantes alrededor de la articulación de la rodilla en radiografías: un estudio multicéntrico

marzo 7, 2024 por admin

Los tumores óseos son un grupo de lesiones neoplásicas primarias o secundarias del hueso con diversos tipos patológicos y comportamientos biológicos [1]. Según la quinta edición de la clasificación de tumores óseos de la Organización Mundial de la Salud (OMS) publicada en 2020, los tumores óseos se clasifican en benignos, intermedios o malignos [2]. Los tumores óseos primarios de las extremidades se encuentran comúnmente en los huesos alrededor de la articulación de la rodilla [3-5], y los tipos más comunes incluyen osteocondroma, osteosarcoma (OS) y tumor de células gigantes (TCG) del hueso [6-8]. La manifestación imagenológica del osteocondroma es un tumor óseo benigno que crece fuera del hueso, con características diagnósticas que incluyen la cobertura de una capa de cartílago, por lo que no es difícil hacer un diagnóstico correcto según las imágenes médicas [9, 10]. Tanto la OS como el TCG de hueso muestran una fuerte agresividad local en las imágenes [7, 8], pero se clasifican como tumores óseos malignos y tumores óseos intermedios según la clasificación de tumores óseos de la OMS, y sus planes de tratamiento clínico y pronóstico son sustancialmente diferentes. Por lo tanto, es necesario obtener un diagnóstico diferencial preciso entre OS y TCG antes del tratamiento clínico [1, 7, 8].

La radiografía digital es ampliamente reconocida como el método de imagen primario para diagnosticar lesiones óseas y se utiliza ampliamente en la práctica clínica [11]. Las radiografías pueden mostrar la imagen general de los tumores óseos en su conjunto y reflejar sus comportamientos biológicos, proporcionando información diagnóstica y de diagnóstico diferencial [12]. La formación de hueso tumoral en las radiografías es un rasgo característico en el diagnóstico de OS [11]. La OS se puede clasificar en subtipos osteolítico, osteoblástico y mixto según la cantidad osteogénica dentro de la OS en las radiografías [13]. Sin embargo, distinguir la OS osteolítica del TCG se vuelve más difícil cuando no hay formación de hueso tumoral, especialmente para los radiólogos novatos, ya que ambos exhiben una destrucción ósea agresiva y localizada [14]. La edad del paciente tiene valor diagnóstico para distinguir entre los dos tipos de tumores, pero edades similares entre pacientes con estos dos tumores diferentes pueden confundir el juicio del radiólogo [11]. Por lo tanto, construimos un modelo clínico para investigar el papel de las variables clínicas.

Como tecnología emergente de aprendizaje automático, el aprendizaje profundo (DL) se ha aplicado ampliamente al análisis de imágenes médicas de tumores óseos [15-17], que puede distinguir tumores óseos benignos y malignos [11, 12, 14, 18-21]. Un estudio reciente ha destacado el potencial de la DL para clasificar eficazmente las radiografías sanas y patológicas en niños [22]. Sin embargo, estudios previos se han centrado principalmente en la clasificación benigna y maligna de varios tumores óseos en diferentes sitios del cuerpo [15, 18, 21], en lugar de abordar específicamente el diagnóstico diferencial de OS osteolítico y TCG alrededor de la articulación de la rodilla. Hasta donde sabemos, no se han informado estudios que utilicen DL para este propósito específico.

El propósito de este estudio fue desarrollar un modelo DL para el diagnóstico diferencial de OS osteolítico y TCG de hueso en radiografías de rodilla y comparar su rendimiento diagnóstico con el de radiólogos con y sin asistencia del modelo.

Desarrollar un modelo de aprendizaje profundo (DL) para diferenciar entre osteosarcoma osteolítico (OS) y tumor de células gigantes (TCG) en radiografías.

Conclusión
El modelo DL distinguió con precisión la OS osteolítica y el TCG con un mejor rendimiento que el de los radiólogos jóvenes, cuyos propios resultados de diagnóstico mejoraron significativamente con la ayuda del modelo, lo que indica el potencial para el diagnóstico diferencial de los dos tumores óseos en las radiografías.

Declaración de relevancia crítica
El modelo de aprendizaje profundo puede distinguir con precisión el osteosarcoma osteolítico y el tumor de células gigantes en las radiografías, lo que puede ayudar a los radiólogos a mejorar la precisión del diagnóstico de dos tipos de tumores.

Puntos clave

• El modelo DL muestra un rendimiento sólido para distinguir el osteosarcoma osteolítico y el tumor de células gigantes.
• El rendimiento del diagnóstico del modelo DL es mejor que el de los radiólogos jóvenes.
• El modelo DL muestra potencial para diferenciar el osteosarcoma osteolítico y el tumor de células gigantes.

Deep learning for differentiation of osteolytic osteosarcoma and giant cell tumor around the knee joint on radiographs: a multicenter study – PubMed (nih.gov)

Deep learning for differentiation of osteolytic osteosarcoma and giant cell tumor around the knee joint on radiographs: a multicenter study – PMC (nih.gov)

Deep learning for differentiation of osteolytic osteosarcoma and giant cell tumor around the knee joint on radiographs: a multicenter study | Insights into Imaging | Full Text (springeropen.com)

Shao J, Lin H, Ding L, Li B, Xu D, Sun Y, Guan T, Dai H, Liu R, Deng D, Huang B, Feng S, Diao X, Gao Z. Deep learning for differentiation of osteolytic osteosarcoma and giant cell tumor around the knee joint on radiographs: a multicenter study. Insights Imaging. 2024 Feb 7;15(1):35. doi: 10.1186/s13244-024-01610-1. PMID: 38321327; PMCID: PMC10847082.

Copyright © The Author(s) 2024

Open Access This article is licensed under a Creative Commons Attribution 4.0 International License, which permits use, sharing, adaptation, distribution and reproduction in any medium or format, as long as you give appropriate credit to the original author(s) and the source, provide a link to the Creative Commons licence, and indicate if changes were made. The images or other third party material in this article are included in the article’s Creative Commons licence, unless indicated otherwise in a credit line to the material. If material is not included in the article’s Creative Commons licence and your intended use is not permitted by statutory regulation or exceeds the permitted use, you will need to obtain permission directly from the copyright holder. To view a copy of this licence, visit http://creativecommons.org/licenses/by/4.0/.