Modelo de aprendizaje profundo de imágenes multimodales para predecir la extensión extraprostática en el cáncer de...

Área de la Ciencia:

• Radiología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La predicción precisa de la extensión extraprostática (EPE) es crucial para la planificación del tratamiento del cáncer de próstata (PCa).
• Los métodos de diagnóstico actuales tienen limitaciones para determinar con precisión la EPE.
• La imagen multimodal ofrece el potencial para mejorar la precisión del diagnóstico.

Objetivo del estudio:

• Desarrollar un modelo multimodal de aprendizaje profundo (DL) que integre imágenes de resonancia magnética (mpMRI) y 18F-PSMA-PET/CT para la predicción de EPE en PCa.
• Evaluar la eficacia del modelo DL en la mejora de la precisión diagnóstica del radiólogo para la EPE.
• Evaluar el beneficio clínico neto del modelo de DL desarrollado.

Principales métodos:

• Recopilación retrospectiva de datos clínicos e imágenes de pacientes con PCa sometidos a prostatectomía radical.
• Desarrollo de un modelo DL multimodal que combine mpMRI y 18F-PSMA-PET/CT.
• Comparación del rendimiento del modelo DL multimodal con los modelos monomodal y las evaluaciones del radiólogo con y sin asistencia del modelo.

Principales resultados:

• El modelo DL multimodal combinado de mpMRI + PET/ CT logró un AUC de 0,82 en la institución primaria y de 0,81 en el conjunto de validación externa.
• El modelo DL multimodal demostró una precisión predictiva superior en comparación con los modelos de una sola modalidad.
• La evaluación asistida por aprendizaje profundo mejoró significativamente el AUC y la sensibilidad (P < 0,05) en comparación con los radiólogos solos, con una modesta reducción de la especificidad.

Conclusiones:

• Un modelo de aprendizaje profundo multimodal que integra mpMRI y 18F-PSMA-PET/CT muestra un fuerte rendimiento predictivo para EPE en cáncer de próstata.
• El modelo mejora efectivamente la precisión del radiólogo en la evaluación de EPE.
• Esta herramienta de IA muestra potencial para apoyar la toma de decisiones terapéuticas individualizadas y precisas en el manejo del cáncer de próstata.