Convolutional neural networks for predicting MGMT methylation status in glioblastoma patients

• Felipe Sassi UFSC
• Danilo Silva UFSC

DOI: https://doi.org/10.5753/eniac.2022.227334

Resumo

A metilação do gene MGMT determina o sucesso do tratamento quimioterápico de tumores cerebrais conhecidos como glioblastomas. Este trabalho explora quatro técnicas recentes, com os melhores desempenhos reportados na literatura, para classificação do status do gene MGMT em pacientes com glioblastomas, visando a comparação dos resultados em uma mesma base de dados pública e de elevada qualidade. São investigadas abordagens baseadas em extração de features radiômicas e baseadas em redes neurais convolucionais, tanto para classificação 2D/3D quanto para segmentação semântica. Nenhuma das abordagens testadas demonstrou significativa capacidade de classificação, com valores de ROC-AUC variando de 56,44% a 65,02%.

Referências

Baid, U., Ghodasara, S., Mohan, S., Bilello, M., Calabrese, E., Colak, E., Farahani, K., Kalpathy-Cramer, J., Kitamura, F. C., Pati, S., et al. (2021). The rsna-asnr-miccai brats 2021 benchmark on brain tumor segmentation and radiogenomic classification. arXiv preprint arXiv:2107.02314.

Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., Chen, K., et al. (2015). Xgboost: extreme gradient boosting. R package version 0.4-2, 1(4):1-4.

de Almeida, M. L. M., de Aguiar, P. H. P., de Gois, K., de Sousa Gehrke, F., and Fonseca, F. (2019). The importance of mgmt promoter methylation status for glioblasto mas prognosis: meta-analysis. JBNC-JORNAL BRASILEIRO DE NEUROCIRURGIA, 29(4):595-611.

Dubitzky, W., Granzow, M., and Berrar, D. P. (2007). Fundamentals of data mining in genomics and proteomics. Springer Science & Business Media.

Gepp, R. d. A. (2013). Análise prognóstica comparativa entre a perfusão cerebral por ressonância magnética e análise da metilação do gene promotor de mgmt nos gliomas malignos. Dissertação de mestrado, Universidade de Brasília.

GLIOBLASTOMA, N. D. (2018). Glioblastoma multiforme recém-diagnosticado: diagnóstico e tratamento cirúrgico inicial. Acta Médica, 39(2):164.

Johnson, D. R. and O'Neill, B. P. (2012). Glioblastoma survival in the united states before and during the temozolomide era. Journal of neuro-oncology, 107(2):359-364.

Korfiatis, P., Kline, T. L., Lachance, D. H., Parney, I. F., Buckner, J. C., and Erickson, B. J. (2017). Residual deep convolutional neural network predicts mgmt methylation status. Journal of digital imaging, 30(5):622-628.

Le, N. Q. K., Do, D. T., Chiu, F.-Y., Yapp, E. K. Y., Yeh, H.-Y., and Chen, C.-Y. (2020). Xgboost improves classification of mgmt promoter methylation status in idh1 wildtype glioblastoma. Journal of personalized medicine, 10(3):128.

Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., and Duchesnay, E. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, 12:2825-2830.

Ronneberger, O., Fischer, P., and Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention, pages 234-241. Springer.

Saeed, N., Hardan, S. E., Abutalip, K., and Yaqub, M. (2022). Is it possible to predict MGMT promoter methylation from brain tumor MRI scans using deep learning models? In Medical Imaging with Deep Learning.

Trindade, V., Picarelli, H., Figueiredo, E. G., and Teixeira, M. J. (2012). Gliomas: marcadores tumorais e prognóstico. Arquivos Brasileiros de Neurocirurgia: Brazilian Neurosurgery, 31(02):91-94.

Yogananda, C., Shah, B. R., Nalawade, S., Murugesan, G., Yu, F., Pinho, M., Wagner, B., Mickey, B., Patel, T. R., Fei, B., et al. (2021). Mri-based deep-learning method for determining glioma mgmt promoter methylation status. American Journal of Neuroradiology, 42(5):845-852.