Red multimodalidad basada en gráficos para la predicción de metástasis de ganglios linfáticos axilares en el cáncer...

Área de la Ciencia:

• En el campo de la oncología
• Imágenes médicas
• Aprendizaje automático

Sus antecedentes:

• La evaluación precisa del estado de los ganglios linfáticos axilares (ALN) es crítica para el pronóstico y el tratamiento del cáncer de mama en etapa temprana.
• Los métodos actuales basados en imágenes radiómicas para la clasificación del estado de ALN a menudo sufren de baja precisión diagnóstica.

Objetivo del estudio:

• Explorar el potencial de la integración de parámetros clínicos con imágenes de resonancia magnética con contraste dinámico (DCE-MRI) para mejorar la predicción de metástasis de ALN.
• Desarrollar un modelo multimodal que proporcione información complementaria más allá de las características de la imagen.

Principales métodos:

• Propuso una red multimodalidad basada en gráficos (GMM-Net) que combina DCE-MRI y parámetros clínicos.
• Utilizó un codificador de texto para las características clínicas y un módulo neuronal de gráfico local-global (LGGNM) para las características de resonancia magnética, capturando correlaciones entre regiones.
• Utilizó un módulo de fusión de características multimodal (MMF) para integrar la información de ambas modalidades.

Principales resultados:

• Evaluado en un conjunto de datos de 260 casos de cáncer de mama con 13 indicadores clínicos.
• GMM-Net logró una precisión de 0,8482 y un AUC de 0,8461.
• El GMM-Net propuesto superó a los enfoques de una sola modalidad en la predicción de la metástasis de ALN.

Conclusiones:

• Se desarrolló un nuevo marco de multimodalidad basado en gráficos (GMM-Net) para la evaluación del estado de ALN preoperatorio.
• El estudio demuestra el potencial de GMM-Net para la predicción no invasiva de la metástasis de ALN en el cáncer de mama en etapa temprana.
• Este enfoque mejora la precisión del diagnóstico mediante la combinación de datos clínicos y DCE-MRI.