O osteossarcoma (OS) é a neoplasia óssea primária maligna mais comum em crianças e adultos jovens, caracterizada por alta agressividade biológica e taxas elevadas de mortalidade, particularmente nos pacientes com doença metastática, que apresentam índices de sobrevida em cinco anos menor do que 60%. A radiômica é um processo complexo de análise quantitativa dos exames de imagem com potencial para inferir o comportamento biológico das lesões, servindo como uma ferramenta promissora, melhorando a acurácia diagnóstica, prognóstica e preditiva no acompanhamento dos pacientes. O objetivo do estudo foi analisar se um modelo radiômico de avaliação quantitativa de imagens obtidas por tomografia computadorizada pode ser preditor do surgimento de metástases pulmonares em pacientes com osteossarcoma. Trata-se de estudo retrospectivo no período de 2012 a 2021 que incluiu 150 pacientes com diagnóstico histopatológico confirmado de osteossarcoma. Foram incluídos os pacientes que realizaram tomografia computadorizada da lesão primária e do tórax antes de iniciar o tratamento quimioterápico e tomografia de tórax durante o seguimento a cada seis meses por dois anos. Diversos modelos de aprendizagem de máquina foram utilizados para predizer o surgimento de metástases pulmonares. A metástase pulmonar foi um importante fator relacionado à menor sobrevida dos pacientes com osteossarcoma. As variáveis LDH e gênero masculino foram identificadas como preditores de menor sobrevida e o tamanho da lesão mostrou associação com o desenvolvimento de metástase pulmonar. O desempenho de cada algoritmo foi avaliado pela área sob a curva (AUC), acurácia, sensibilidadade e especificidade. Entre outros resultados a pesquisa mostrou que o melhor modelo de classificação foi o Random Forest, com AUC de 0,79, acurácia de 73%, intervalo de confiança (IC) 95% [80-99%], sensibilidade de 71%, IC 95% [73%-100%] e especificidade de 83%, IC 95% [69-99%] na coorte de testagem final do modelo. Os atributos do modelo radiômico (assinatura radiômica) foram derivados de filtros wavelet e de transformada de Laplace da Gaussiana. Concluímos que o modelo radiômico por tomografia computadorizada utilizando o aprendizado de máquina pode auxiliar na avaliação do risco de desenvolvimento de metástases pulmonares nos pacientes com osteossarcoma.

Osteosarcoma (OS) is the most common primary malignant bone neoplasm in children and young adults, characterized by high biological aggressiveness and high mortality rates, particularly in patients with metastatic disease, who have five-year survival rates of less than 60%. Radiomics is a complex process of quantitative analysis of imaging exams with the potential to infer the biological behavior of lesions, serving as a promising tool, improving diagnostic, prognostic, and predictive accuracy in patient follow-up. The aim of the study was to analyze whether a radiographic model for quantitative assessment of images obtained by computed tomography can be a predictor of the appearance of pulmonary metastases in patients with osteosarcoma. This is a retrospective study from 2012 to 2021 that included 150 patients with a confirmed histopathological diagnosis of osteosarcoma. Patients who underwent computed tomography of the primary lesion and chest before starting chemotherapy treatment and chest tomography during follow-up every six months for two years were included. Several machine learning models were used to predict the onset of lung metastases. Pulmonary metastasis was an important factor related to the shorter survival of patients with osteosarcoma. The variables LDH and male gender were identified as predictors of shorter survival, and the size of the lesion was associated with the development of pulmonary metastasis. The performance of each algorithm was evaluated by the area under the curve (AUC), accuracy, sensitivity and specificity. Among other results, the research showed that the best classification model was the Random Forest, with AUC of 0.79, accuracy of 73%, confidence interval (CI) 95% [80-99%], sensitivity of 71%, CI 95% [73%-100%] and specificity 83%, 95% CI [69-99%] in the final model testing cohort. The attributes of the radiomic model (radiomic signature) were derived from wavelet filters and the Gaussian Laplace transform. We conclude that the computed tomography radiographic model using machine learning can help to assess the risk of developing lung metastases in patients with osteosarcoma.