Optimización radiómica y clasificación SLMVP-SVM explicable para el diagnóstico diferencial de abscesos y glioblastomas en tomografía computarizada

Resumen

Los abscesos cerebrales (AC) y los glioblastomas (GBM) presentan hallazgos radiológicos similares, lo que dificulta su diagnóstico diferencial en la práctica clínica. En este Trabajo Fin de Máster se desarrolla un enfoque radiómico aplicado a imágenes de tomografía computarizada (TC), con el objetivo de proporcionar una muestra de estudio representativa y optimizar los algoritmos de clasificación empleados en la bibliografía para la discriminación automática entre ambas entidades.

Se recopilaron un total de 62 casos del Hospital Universitario Ramón y Cajal, donde las lesiones fueron segmentadas manualmente e interpoladas a 1 mm para extraer 107 características radiómicas (forma, primer orden, GLCM, GLDM, GLRLM, GLSZM, NGTDM) utilizando Synapse3D y 3DSlicer.

Se evaluaron cinco clasificadores: tres de ellos basados en árboles de decisión (Random Forest, XGBoost y Explainable Boosting Machine (EBM) así como una SVM) y un nuevo modelo que aplica SVM junto con una proyección previa de características (SLMVP-SVM), optimizado mediante búsqueda en malla y validación cruzada estratificada. Además, se integró un análisis explicativo personalizado con SHAP para el modelo SVM, lo que permitió identificar las características radiómicas más relevantes en la diferenciación de AC y GBM.

Los resultados muestran que el modelo SLMVP–SVM reentrenado con 8 características (rank = 8) alcanzó el mejor rendimiento medio en test, con Accuracy=0.7719 ± 0.0736, F1=0.7396 ± 0.0941, Recall=0.6741 ± 0.1386, Precision=0.8568 ± 0.1182 y AUC=0.8007 ± 0.0714, mejorando la exactitud frente a los modelos estándar (accuracy ≈ 0.72−0.73) y manteniendo un compromiso favorable entre rendimiento y parsimonia.

Este trabajo refuerza la viabilidad de la TC como herramienta rápida y accesible para el diagnóstico diferencial inicial, y sienta las bases para integrar modelos radiómicos explicables en la rutina clínica, especialmente cuando se combinen con segmentaciones automáticas y datos clínicos en futuros estudios.

--ABSTRACT--

Brain abscesses (BA) and glioblastomas (GBM) present similar radiological findings, which makes their differential diagnosis challenging in clinical practice. This Master’s Thesis develops a radiomic approach applied to computed tomography (CT) images, with the aim of providing a representative study sample and optimizing the classification algorithms reported in the literature for the automatic discrimination between both entities.

A total of 62 cases were collected from the Ramón y Cajal University Hospital, where the lesions were manually segmented and interpolated to 1 mm in order to extract 107 radiomic features (shape, first order, GLCM, GLDM, GLRLM, GLSZM, NGTDM) using Synapse3D and 3DSlicer.

Five classifiers were evaluated: three based on decision trees (Random Forest, XGBoost, and Explainable Boosting Machine (EBM)), a Support Vector Machine (SVM), and a new model that combines SVM with a prior feature projection (SLMVP-SVM), optimized through grid search and stratified cross-validation. In addition, a customized SHAP-based explanatory analysis was integrated for the SVM model, enabling the identification of the most relevant radiomic features for differentiating BA and GBM.

Results show that the retrained SLMVP–SVM model using 8 features (rank = 8) achieved the best mean test performance, with Accuracy=0.7719 ± 0.0736, F1=0.7396 ± 0.0941, Recall=0.6741 ± 0.1386, Precision=0.8568 ± 0.1182, and AUC=0.8007 ± 0.0714, improving overall accuracy compared with the standard models (accuracy ≈ 0.72−0.73) while preserving a compact and more interpretable feature set.

This work reinforces the feasibility of CT as a rapid and accessible tool for initial differential diagnosis and lays the groundwork for integrating explainable radiomic models into clinical routine, particularly when combined with automatic segmentations and clinical data in future studies.