Modelo de aprendizaje automático para predecir la magnitud del movimiento del tumor basado en información clínica y...

Área de la Ciencia:

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

Sus antecedentes:

• La predicción precisa del movimiento del tumor pulmonar es crucial para la planificación efectiva de la radioterapia.
• Los métodos tradicionales a menudo luchan con la naturaleza dinámica del movimiento del tumor.
• El aprendizaje automático ofrece un enfoque prometedor para mejorar las capacidades predictivas.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje automático para predecir la magnitud del movimiento del tumor de cáncer de pulmón.
• Clasificar la necesidad de estrategias activas o no de gestión del movimiento.
• Para comparar el rendimiento de los modelos clínicos, radiómicos e híbridos.

Principales métodos:

• Se desarrolló un modelo híbrido de red neuronal artificial (ANN) utilizando características radiómicas clínicas y basadas en TC de 110 pacientes con cáncer de pulmón.
• Se extrajeron 18 características clínicas y 1218 características radiómicas.
• La amplitud de movimiento del tumor se calculó a partir de tomografías computarizadas 4D, y los modelos se evaluaron utilizando el error absoluto medio (MAE), el cuadrado de R, el área bajo la curva (AUC), la sensibilidad y la especificidad.

Principales resultados:

• El modelo híbrido logró el mejor rendimiento con un MAE de 1,23 mm y un R-cuadrado de 0,91.
• El modelo sólo radiómico (modelo R) mostró un MAE de 1,34 mm y R-cuadrado de 0,88.
• El modelo híbrido demostró un rendimiento de clasificación perfecto con AUC y sensibilidad de 1,00.

Conclusiones:

• Los modelos de aprendizaje automático que integran datos clínicos y radiómicos de TC pueden predecir con precisión el movimiento del tumor de cáncer de pulmón.
• El modelo híbrido supera significativamente a los modelos basados solo en características clínicas o radiómicas.
• Este enfoque permite una clasificación efectiva de las estrategias de gestión del movimiento, mejorando la planificación del tratamiento.