Clasificación del cáncer de próstata con IA y RMmp

Este Trabajo de Fin de Grado compara la radiómica y las técnicas de deep learning en la clasificación de la severidad del cáncer de próstata mediante imágenes de resonancia magnética multiparamétrica (RMmp), tanto en términos de rendimiento como de explicabilidad.

Índice de contenidos

• Introducción
• Conjunto de datos
• Metodología
• Resultados
• Estructura del repositorio
• Dependencias
• Instalación
• Uso
• Referencias

Introducción

El cáncer de próstata es uno de los cánceres más comunes entre los hombres y presenta una evolución clínica muy diversa, desde tumores indolentes hasta formas más agresivas. La resonancia magnética multiparamétrica (RMmp) se ha consolidado como una alternativa más precisa y menos invasiva frente a métodos tradicionales como el PSA o la biopsia. En este contexto, la inteligencia artificial ofrece herramientas de apoyo con gran potencial para discriminar entre distintos niveles de severidad, mediante dos enfoques principales: la radiómica y el deep learning. Ambos deben combinar buen rendimiento diagnóstico con explicabilidad para facilitar su integración clínica.

Conjunto de datos

Este estudio utiliza el conjunto de datos público del reto PI-CAI [1], compuesto por 1.500 casos con sospecha de cáncer de próstata. Para cada caso se emplean imágenes en plano axial de tres secuencias de resonancia magnética: T2W, DWI y ADC. También se utilizan segmentaciones automáticas de la glándula prostática y una variable binaria que indica la presencia o ausencia de cáncer clínicamente significativo, definida como un grado ISUP ≥ 2.

Metodología

1. Análisis radiómico. Se extraen características radiómicas a partir de las imágenes de resonancia magnética. Estas características se utilizan para entrenar modelos clásicos de Machine Learning.

2. Deep Learning. Se entrenan varios modelos basados en redes neuronales convolucionales 3D directamente sobre las imágenes, sin necesidad de extracción manual de características.

3. Comparación del rendimiento. Utilizando test estadísticos, se comparan los distintos modelos entrenados dentro de cada enfoque y, posteriormente, se analizan las diferencias globales entre radiómica y deep learning.

4. Interpretabilidad de los modelos. Se analizan las decisiones de los modelos mediante técnicas de explicabilidad con el objetivo de valorar su utilidad clínica.

Resultados

Estructura del repositorio

├── artifacts/
│   ├── deep_learning/ # Logs, modelos y CSVs con los resultados de los modelos de DL
│   └── radiomics/     # Características radiómicas
├── data_analysis/     # Análisis exploratorio de los datos
├── data_structuring/  # Notebook que centraliza todos los datos
├── results/
│   ├── deep_learning/ # Resultados del análisis comparativo entre los modelos de DL
│   └── radiomics/     # Métricas y resultados de radiómica
├── train/
│   ├── deep_learning/ # Scripts de entrenamiento de modelos de deep learning
│   └── radiomics/     # Scripts de extracción y modelado de radiómica

Dependencias

La versión actual del repositorio depende de las siguientes bibliotecas de Python:

• joblib==1.4.2
• lime==0.2.0.1
• matplotlib==3.10.1
• monai==1.4.0
• nibabel==5.3.2
• numpy==2.2.5
• pandas==2.2.3
• SciencePlots==2.1.1
• scikit_learn==1.6.1
• scikit_optimize==0.10.2
• scipy==1.15.2
• seaborn==0.13.2
• shap==0.46.0
• SimpleITK==2.5.0
• statsmodels==0.14.4
• torch==2.5.1
• tqdm==4.67.1

Instalación

1. Clona este repositorio:

   git clone https://github.com/jose-valero-sanchis/prostate_cancer_TFG.git
   cd prostate_cancer_TFG

2. Instala las dependencias:

   pip install -r requirements.txt
   

Uso

1. Preparación de los datos. Crear el archivo CSV que centraliza toda la información necesaria para el entrenamiento: rutas a las imágenes, segmentaciones y variable objetivo. El notebook que construye este CSV se encuentra en Data Structuring.

2. Entrenamiento y validación. Ejecutar los scripts correspondientes para entrenar y validar los modelos, ya sea del enfoque radiómico, de deep learning o de ambos.

Referencias

[1] A. Saha, J. S. Bosma, J. J. Twilt, B. van Ginneken, A. Bjartell, A. R. Padhani, D. Bonekamp, G. Villeirs, G. Salomon, G. Giannarini, J. Kalpathy-Cramer, J. Barentsz, K. H. Maier-Hein, M. Rusu, O. Rouvière, R. van den Bergh, V. Panebianco, V. Kasivisvanathan, N. A. Obuchowski, D. Yakar, M. Elschot, J. Veltman, J. J. Fütterer, M. de Rooij, H. Huisman, and the PI-CAI consortium. “Artificial Intelligence and Radiologists in Prostate Cancer Detection on MRI (PI-CAI): An International, Paired, Non-Inferiority, Confirmatory Study”. The Lancet Oncology 2024; 25(7): 879-887.