Objetivo: Avaliar o desempenho da radiômica, com base em ferramentas de processamento de inteligência artificial com machine learning, para a diferenciação entre lesões de baixo/intermediário grau (ISUP 1 e 2) e lesões de alto grau (ISUP 3-5) em pacientes com confirmação histopatológica de câncer de próstata (CaP). Materiais e métodos: Segmentamos, manualmente, as lesões de próstata visíveis em exames consecutivos de ressonância nuclear magnética multiparamétrica(RM) realizados em nossa instituição, de 2019 a 2022, usando o software 3D Slicer. Posteriormente, foram extraídas características de imagem utilizando a biblioteca PyRadiomics. Pacientes que apresentaram artefatos nas imagens de RM, lesões com escore de Gleason <6, lesões localmente avançadas, intervalo de tempo entre a RM e a biópsia ou cirurgia superior a 4 meses, lesões sem confirmação histopatológica no serviço ou ausência de lesões visíveis na RM foram excluídos do estudo. Após as exclusões, 146 pacientes antes de prostatectomia radical (26%) ou biópsia direcionada (74%) foram incluídos no estudo, dos quais 83 pacientes com lesões ISUP 1 (n=33) ou 2 (n=50) foram atribuídos ao grupo 1, e outros 63 pacientes com lesões ISUP 3 (n=18), 4 (n=18) ou 5 (n=27) foram atribuídos ao grupo 2. A proporção de pacientes nos conjuntos de treinamento e validação foi de 70% dos dados para treinamento e 30% para validação. Os modelos de Support Vector Machine (SVM), Random Forest (RF) e Logistic Regression (LR) foram usados para classificar os casos. A acurácia, matriz de confusão, precisão, recall, F1-score e área sob a curva característica de operação do receptor (AUC-ROC) foram avaliados para cada modelo. Um procedimento de cross validation foi realizado para avaliar a consistência e estabilidade dos modelos. Resultados: O cross validation para o modelo support vector machine mostrou acurácia média de 0.91 (0,87-0,94), precisão de 0.92 (0,87-0,98) e a curva AUC-ROC de 0.98 (0,96- 0,99). O modelo random forest teve acurácia média de 0.91 (0,88- 0,95), precisão de 0.98 (0,95- 1,01) e a curva AUC-ROC de 0.97 (0,95-0,99). O modelo logistic regression mostrou uma acurácia média de 0.93 (0,89-0,98), precisão de 0.96 (0,92-1,00) e curva AUC-ROC de 0,96 (0,93-0,99). Conclusão: A utilização de radiômica pode diferenciar com precisão lesões de baixo/intermediário grau (ISUP 1 e 2) de lesões de alto grau (ISUP 3-5) e pode ser uma ferramenta auxiliar importante para a confirmação da elegibilidade de pacientes que consideram uma abordagem conservadora como manejo primário do câncer de próstata. Estudos prospectivos e multi-institucionais adicionais são necessários para a validação de nossos resultados encorajadores.

Objectives: To evaluate the performance of radiomics, based on artificial intelligence processing tools with machine learning, for the differentiation between low/intermediate (ISUP 1 and 2) and high-grade lesions (ISUP 3-5), in patient with histopathological confirmation of prostate cancer. Materials and Methods: We manually segmented MRI-visible prostate lesions from consecutive mpMRI exams performed at our institution, from 2019 to 2022 using the 3D Slicer software. Subsequently, image features were extracted using the PyRadiomics library. Patients presenting artifacts on MRI images, lesions with Gleason score <6, locally advanced lesions, time interval between MRI and biopsy or surgery longer than 4 months, lesions without histopathological confirmation in the service, or absence of visible lesions on MRI were excluded from the study. After exclusions, 146 patients before radical prostatectomy (26%) or targeted biopsy (74%) were included in the study, of which 83 patients with ISUP 1 (n=33) or 2(n=50) lesions were assigned to group 1, and another 63 patients with ISUP 3(n=18), 4(n=18) or 5(n=27) lesions, assigned to group 2. The proportion of patients in the training and validation sets used was 70% of the data for training and 30% for validation. The Support Vector Machine (SVM), Random Forest (RF), and Logistic Regression (LR) models were used to classify the cases. Accuracy, confusion matrix, precision, recall, F1-score, and area under the receiver operating characteristic curve (AUC-ROC) were evaluated for each model. A cross-validation procedure was performed to assess the consistency and stability of the models. Results: The cross-validation for the support Vector Machine model showed an average accuracy of 0.91 (0.87-0.94), precision of 0.92 (0.87-0.98), and AUC-ROC curve of 0.98 (0.96-0.99). The random forest model had an average accuracy of 0.91 (0.88-0.95), precision of 0.98 (0.95-1.01), and AUC-ROC curve of 0.97 (0.95-0.99). The logistic regression model showed an average accuracy of 0.93 (0.89-0.98), precision of 0.96 (0.92-1.00), and AUC-ROC curve of 0.96 (0.93-0.99). Conclusion: The use of radiomics can accurately differentiate low/intermediate-grade lesions (ISUP 1 and 2) from high-grade lesions (ISUP 3-5) and can be an important auxiliary tool for confirming the eligibility of patients considering a conservative approach as the primary management for prostate cancer. Further prospective and multi-institutional studies are required for the validation of our encouraging results.