Video Experimental Relacionado
Updated: Sep 10, 2025
07:15
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.9K
Análisis radiogenómico asistido por aprendizaje automático para la predicción de la expresión de miR-15a en el
Yulian Mytsyk1,2, Paweł Kowal3, Yuriy Kobilnyk4
1Voxel Medical Diagnostic Centers, Katowice, Poland. mytsyk.yulian@gmail.com.
BMC cancer
|August 21, 2025
Resumen
Los modelos de aprendizaje automático predicen la expresión de microRNA-15a (miR-15a) en el carcinoma de células renales (RCC) utilizando radiogenómica. Este enfoque no invasivo ayuda a estratificar los tumores para el manejo personalizado del CCR.
Área de la Ciencia:
- En el campo de la oncología
- Radiología
- La genómica
- Aprendizaje automático
Sus antecedentes:
- Los resultados del carcinoma de células renales (CCR) varían significativamente.
- MicroRNA-15a (miR-15a) es un biomarcador pronóstico en el CCR, que influye en la angiogénesis, la apoptosis y la proliferación.
- La radiogenómica integra las características de imagen con los datos moleculares para la predicción de biomarcadores no invasivos.
Objetivo del estudio:
- Desarrollar un modelo radiogenómico asistido por aprendizaje automático para predecir la expresión de miR-15a en RCC.
- Para correlacionar las características radiológicas con los niveles de expresión de miR-15a.
- Estratificar los tumores de RCC basados en la expresión y agresividad de miR-15a.
Principales métodos:
- Análisis retrospectivo de 64 pacientes con CCR con TC/ IRM preoperatoria.
- Evaluación de las características radiológicas (tamaño del tumor, necrosis, aumento).
- Cuantificación de la expresión de miR-15a a través de la qPCR; predicción utilizando regresión polinómica y modelos de bosque aleatorio; estratificación fenotípica utilizando agrupación jerárquica y análisis de K-medios.
Principales resultados:
- El tamaño del tumor fue el predictor más fuerte de la expresión de miR- 15a (R2 ajustado=0,8281, p<0,001).
- Los niveles altos de miR- 15a se correlacionan con la necrosis y el aumento nodular; los niveles bajos se asocian con los componentes quísticos y la grasa.
- El modelo Random Forest explicó el 65,8% de la varianza de expresión de miR-15a (R2=0,658); el clasificador logró AUC 1.0, precisión 1.0, recuerdo 0.9, F1-score 0.95.
Conclusiones:
- La radiogenómica basada en el aprendizaje automático ofrece un método robusto y no invasivo para predecir la expresión de miR-15a en el CCR.
- Este enfoque mejora la estratificación del tumor y apoya el manejo personalizado del CCR.
- La integración de datos radiológicos y moleculares es crucial para el avance de la medicina de precisión en oncología.
