Video Experimental Relacionado
Updated: Sep 10, 2025
Detection and Isolation of Cancer in Prostate Biopsies Using Stimulated Raman Histology and Artificial Intelligence
Published on: June 10, 2025
El modelado híbrido clínico-radiómico supera a los modelos convencionales: el aprendizaje automático mejora la
Minghan Jiang1,2, Zeyang Miao1, Run Xu1
1Department of Radiology, Yueyang Hospital of Integrated Traditional Chinese and Western Medicine, Shanghai University of Traditional Chinese Medicine, Shanghai, China.
Este estudio desarrolló modelos de aprendizaje automático de RM para predecir las características adversas del cáncer de próstata. La combinación de la radiómica con los datos clínicos mejoró significativamente la estratificación del riesgo preoperatorio para el tratamiento personalizado.
Área de la Ciencia:
- Radiología
- En el campo de la oncología
- Aprendizaje automático
Sus antecedentes:
- El diagnóstico del cáncer de próstata se basa en modelos convencionales con limitaciones.
- La estratificación precisa del riesgo preoperatorio es crucial para la planificación del tratamiento personalizado.
- La radiómica basada en la resonancia magnética ofrece una herramienta potencial no invasiva para mejorar la evaluación de riesgos.
Objetivo del estudio:
- Desarrollar modelos de aprendizaje automático basados en resonancia magnética para predecir las características de pronóstico patológico adverso en el cáncer de próstata.
- Evaluar la viabilidad de integrar la radiómica con las características clínicas para mejorar la estratificación del riesgo preoperatorio.
- Abordar las limitaciones de los modelos clínicos convencionales actuales en el tratamiento del cáncer de próstata.
Principales métodos:
- Análisis retrospectivo de 137 pacientes con cáncer de próstata con datos de resonancia magnética preoperatoria y de patología postoperatoria.
- Extracción de 31 características radiómicas de las secuencias ADC y T2WI utilizando PyRadiomics.
- Desarrollo de modelos radiómicos, clínicos e híbridos utilizando algoritmos de aprendizaje automático y regresión LASSO para la selección de características.
Principales resultados:
- El modelo radiómico forestal aleatorio (ADC-T2WI) logró un AUC de 0,832 en el conjunto de validación, superando al modelo clínico (AUC=0,772).
- El modelo híbrido radiómico-clínico demostró un rendimiento superior con un AUC de 0,909, sensibilidad=0,813, especificidad=0,885, y precisión=0,857.
- Las curvas de calibración y el análisis de la curva de decisión confirmaron la robusta utilidad clínica del modelo híbrido.
Conclusiones:
- La radiomía de resonancia magnética biparamétrica combinada con un modelo forestal aleatorio predice eficazmente las características patológicas adversas en el cáncer de próstata.
- La integración de la radiómica con las características clínicas mejora significativamente la precisión predictiva para la estratificación del riesgo preoperatorio.
- Este enfoque no invasivo apoya la planificación del tratamiento personalizado para pacientes con cáncer de próstata.
