Predecir automáticamente la invasividad del tumor pulmonar utilizando redes neuronales profundas

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• En el campo de la oncología

Sus antecedentes:

• La detección temprana de la invasividad del cáncer de pulmón es crítica para los resultados del paciente.
• Los métodos clínicos actuales para la detección de la invasividad del tumor pulmonar (LTI) son desafiantes e invasivos.
• Los conjuntos de datos públicos limitados y el desequilibrio de clases obstaculizan el desarrollo de algoritmos automatizados de predicción de LTI.

Objetivo del estudio:

• Desarrollar un nuevo sistema de inteligencia artificial para la predicción no invasiva de la invasividad del tumor pulmonar utilizando datos de tomografía computarizada (TC).
• Para abordar los desafíos de la disponibilidad limitada de datos y el desequilibrio de clase en la detección automatizada de LTI.
• Mejorar el rendimiento diagnóstico de la clasificación de invasión de tumores pulmonares.

Principales métodos:

• Recogió y curó un gran conjunto de datos de tomografía computarizada de alta calidad de 804 pacientes, con etiquetas binarias basadas en informes patológicos posquirúrgicos.
• Desarrolló la red neuronal de predicción de la invasividad del tumor pulmonar (LTI-Net), utilizando una red neuronal residual 3D para analizar la heterogeneidad intra-tumoral a partir de los valores de TC.
• Se introdujo una nueva función de sustitución para aproximar la métrica Area Under the Curve (AUC), mejorando la discriminación de características y la optimización estable a través del entrenamiento de muestras emparejadas.

Principales resultados:

• El sistema LTI-Net demostró un potencial significativo en la clasificación de la invasividad del tumor pulmonar en el conjunto de datos recogidos.
• LTI-Net logró una mejora notable en la media armónica de la tasa de positivos verdaderos y negativos verdaderos (HMoPN) en comparación con los métodos de última generación existentes.
• El método propuesto mostró un aumento del 2,92% en la puntuación HMoPN en varios ajustes de datos desequilibrados, lo que pone de relieve su solidez.

Conclusiones:

• El LTI-Net desarrollado proporciona un enfoque no invasivo eficaz para la predicción de la invasividad del tumor pulmonar utilizando imágenes de TC.
• El sistema aborda con éxito las limitaciones de datos y los problemas de desequilibrio de clase que prevalecen en este campo.
• LTI-Net ofrece un avance prometedor para mejorar el diagnóstico temprano del cáncer de pulmón y la planificación del tratamiento.