Diferenciação entre adenocarcinoma primário de pulmão e metástase de neoplasia colorretal através da radiômica Caroline Losekann

Abstract

Objetivo: O presente estudo teve como objetivo avaliar a possibilidade de diferenciar o adenocarcinoma primário de pulmão e o adenocarcinoma metastático de cólon e reto através da análise de dados radiômicos. Métodos: Trata-se de um estudo retrospectivo, em que foi realizada uma análise e coleta de dados do prontuário eletrônico e de imagens de tomografia computadorizada de tórax de pacientes submetidos à ressecção pulmonar no Hospital de Clínicas de Porto Alegre, entre 2016 e 2022, que apresentavam nódulos pulmonares de até 3 cm e que tiveram confirmação histopatológica de adenocarcinoma primário de pulmão ou de metástase de adenocarcinoma de colorretal. Os exames de tomografia foram baixados do PACs em formato DICOM e processados no software 3D Slicer versão 5.4.0 para segmentação. Para extração das características de radiômica, foi utilizado o plugin PyRadiomics do software 3D Slicer. Resultados: Foram incluídas 96 ROIs (54 com adenocarcinoma primário de pulmão e 42 com adenocarcinoma colorretal). Das 105 variáveis radiômicas extraídas, 74 foram classificadas como estáveis ou possivelmente estáveis em relação ao uso de contraste, das quais 54 permaneceram significativamente diferentes entre os diagnósticos após correção para múltiplas comparações. O modelo Ridge, baseado nas 12 variáveis com maior estabilidade, apresentou desempenho discriminativo moderado (AUC = 0,72; IC95%: 0,61–0,82). O modelo Elastic Net, utilizando as 74 variáveis estáveis e possivelmente estáveis, demonstrou melhor desempenho (AUC = 0,79; IC95%: 0,70–0,89), selecionando 19 variáveis predominantemente relacionadas à textura e morfologia tumoral. Nas análises estratificadas por protocolo de aquisição, os modelos apresentaram AUC de 0,83 (IC95%: 0,72–0,94) para exames com contraste e 0,87 (IC95%: 0,76–0,98) para exames sem contraste. Conclusão: Os resultados indicam que variáveis radiômicas extraídas de tomografias de tórax apresentam capacidade discriminativa entre adenocarcinoma primário de pulmão e metástase pulmonar de adenocarcinoma colorretal, com desempenho de moderado a bom. Variáveis radiômicas relacionadas à textura são os preditores mais consistentes na discriminação entre as duas histologias. Modelos penalizados, especialmente o Elastic Net, mostraram-se adequados ao contexto. Os achados sugerem que a radiômica pode complementar a avaliação convencional em casos de difícil determinação diagnóstica.

Objective: This study aimed to evaluate the feasibility of differentiating primary lung adenocarcinoma from metastatic colorectal adenocarcinoma through radiomics data analysis. Methods: This is a retrospective study in which data were collected from electronic medical records and chest computed tomography images of patients who underwent pulmonary resection at Hospital de Clínicas de Porto Alegre between 2016 and 2022. Eligible patients presented pulmonary nodules up to 3 cm and had histopathological confirmation of either primary lung adenocarcinoma or colorectal adenocarcinoma metastasis. CT scans were downloaded from the PACS in DICOM format and processed in 3D Slicer version 5.4.0 for segmentation. Radiomic features were extracted using the PyRadiomics plugin within 3D Slicer. Results: A total of 96 ROIs were included (54 primary lung adenocarcinoma and 42 colorectal adenocarcinoma). Of the 105 radiomic variables extracted, 74 were classified as stable or possibly stable with respect to contrast use, of which 54 remained significantly different between diagnoses after correction for multiple comparisons. The Ridge model, based on the 12 variables with the highest stability, showed moderate discriminative performance (AUC = 0.72; 95% CI: 0.61–0.82). The Elastic Net model, using all 74 stable and possibly stable variables, demonstrated better performance (AUC = 0.79; 95% CI: 0.70–0.89), selecting 19 variables predominantly related to tumor texture and morphology. In analyses stratified by acquisition protocol, models achieved an AUC of 0.83 (95% CI: 0.72–0.94) for contrast-enhanced scans and 0.87 (95% CI: 0.76–0.98) for non-contrast scans. Conclusion: The results indicate that radiomic features extracted from chest CT scans have discriminative capacity between primary lung adenocarcinoma and pulmonary metastasis from colorectal adenocarcinoma, with moderate to good performance. Texture-related radiomic features are the most consistent predictors in distinguishing between the two histologies. Penalized models, particularly Elastic Net, proved suitable for this context. The findings suggest that radiomics may complement conventional evaluation in diagnostically challenging cases.