Modelo de aprendizaje automático basado en TC que integra características radiómicas intra y peri-tumorales para...

Área de la Ciencia:

• En el campo de la oncología
• Radiología
• Imágenes médicas

Sus antecedentes:

• La evaluación preoperatoria precisa de la metástasis oculta de los ganglios linfáticos (OLNM) es vital para las decisiones de tratamiento del cáncer de pulmón.
• La tomografía computarizada (TC) es la modalidad de imagen primaria para la evaluación preoperatoria.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático basado en TC para predecir la OLNM en el cáncer de pulmón.
• El modelo integra las características radiómicas intra-tumorales y peri-tumorales.

Principales métodos:

• Análisis retrospectivo de 844 pacientes con cáncer de pulmón periférico (591 en formación, 253 en validación).
• Extracción de 1688 características radiómicas del volumen tumoral bruto (GTV) y de los volúmenes peritumorales (PTV3, PTV6, PTV9).
• Desarrollo de un modelo clínico-radiómico utilizando regresión logística, incorporando la firma radiómica, los factores clínicos (CEA) y las características de la TC (lobulación, relación tumor-pleura).

Principales resultados:

• La firma radiómica de PTV9 demostró un rendimiento superior.
• El modelo clínico-radiómico integrado logró una alta precisión en la predicción de la OLNM (AUC 0,819 en el entrenamiento, 0,801 en la validación).
• El modelo superó significativamente al modelo clínico solo en ambas cohortes.

Conclusiones:

• El modelo clínico-radiómico desarrollado sirve como una herramienta no invasiva para la evaluación del riesgo preoperatorio de OLNM.
• Este enfoque apoya estrategias de tratamiento personalizadas para pacientes con cáncer de pulmón.