Video Experimental Relacionado
Updated: Sep 10, 2025
05:56
Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
Published on: April 14, 2023
2.6K
Radiomía de aprendizaje profundo basado en resonancia magnética para diferenciar el estadio T del cáncer de lengua
Zhaoyi Lu1, Bowen Zhu2, Hang Ling3
1Department of Otorhinolaryngology, The First Affiliated Hospital, Nanjing Medical University, Nanjing, 210029, China.
BMC cancer
|August 23, 2025
Resumen
Los modelos de IRM de aprendizaje profundo (DLRresnet18/DLRresnet50) muestran una mejor precisión de predicción de la etapa T del cáncer de lengua en comparación con la radiómica tradicional. Estos modelos mejoran las herramientas de diagnóstico para la planificación del tratamiento personalizado.
Área de la Ciencia:
- En el campo de la oncología
- Radiología
- Inteligencia artificial
Sus antecedentes:
- La predicción precisa de la etapa T es crucial para la planificación del tratamiento del cáncer de lengua.
- Los modelos radiómicos tradicionales pueden estar limitados por la interpretación subjetiva.
Objetivo del estudio:
- Desarrollar y evaluar modelos de resonancia magnética basados en el aprendizaje profundo para predecir la etapa T del cáncer de lengua.
- Comparar el rendimiento de los modelos radiómicos de aprendizaje profundo (DLR) con los modelos radiómicos tradicionales (Rad).
Principales métodos:
- Análisis retrospectivo de los datos de resonancia magnética de 579 pacientes con cáncer de lengua (T2WI, CET1).
- Extracción de 2375 características radiómicas utilizando PyRadiomics.
- Desarrollo de modelos DLR (ResNet18, ResNet50) y comparación con un modelo Rad.
Principales resultados:
- Los modelos de aprendizaje profundo (DLRresnet18, DLRresnet50) demostraron valores de AUC superiores en comparación con el modelo Rad en conjuntos de capacitación, pruebas y validación externa.
- El análisis de la curva de decisión (DCA) confirmó un mejor rendimiento de los modelos DLR.
- La mejora neta de la reclasificación (NRI) y la mejora de la discriminación integrada (IDI) fueron positivas para los modelos DLR.
Conclusiones:
- Los modelos DLRresnet18 y DLRresnet50 mejoran significativamente la precisión de la predicción de la etapa T para el cáncer de lengua.
- Estos modelos impulsados por la IA reducen la interpretación subjetiva, apoyando estrategias de tratamiento personalizadas.
- El estudio ofrece nuevas herramientas para el diagnóstico asistido por imágenes en el cáncer de lengua.
