Un nuevo análisis de hábitat basado en resonancia magnética y aprendizaje profundo para predecir la invasión...

Área de la Ciencia:

• Radiología y Oncología
• La inteligencia artificial en la medicina
• Análisis de imágenes médicas

Sus antecedentes:

• El diagnóstico y la estadificación del cáncer de próstata (PCa) son fundamentales para la planificación del tratamiento.
• La invasión perineural (PNI) es un factor pronóstico significativo en la PCa.
• La predicción precisa de PNI sigue siendo un desafío con los métodos convencionales.

Objetivo del estudio:

• Evaluar la eficacia de un modelo de aprendizaje profundo (DL, por sus siglas en inglés) para predecir la PNI en PCa.
• Evaluar la utilidad del análisis de la heterogeneidad tumoral basado en la resonancia magnética multiparamétrica (RMMP) para la predicción de la INP.
• Comparar el rendimiento de los modelos de DL con los modelos clínicos en la detección de PNI.

Principales métodos:

• Análisis retrospectivo de 397 pacientes con PCa de dos centros.
• Análisis de hábitat basado en mpMRI (T2 ponderado, difusión ponderada por imágenes, ADC) para la heterogeneidad del tumor.
• Desarrollo y validación de modelos DL, incluidos los modelos de hábitat y los modelos combinados, mediante formación, cohorte de validación interna y externa.
• Análisis de la curva de características de funcionamiento del receptor (ROC) para evaluar el rendimiento del modelo.

Principales resultados:

• Los modelos de hábitat DL demostraron un rendimiento robusto de predicción de PNI en las cohortes de validación (AUC 0,802-0,957).
• El modelo DL combinado superó significativamente a los modelos clínicos y de hábitat, logrando un AUC de 0,999 en la cohorte de entrenamiento.
• Los análisis de la curva de decisión y el impacto clínico confirmaron la aplicabilidad y utilidad clínicas favorables del modelo combinado de DL.

Conclusiones:

• Los modelos de aprendizaje profundo que aprovechan el análisis del hábitat basado en mpMRI proporcionan una predicción precisa del estado de PNI en PCa.
• Este enfoque basado en la IA tiene un potencial significativo para mejorar la evaluación de la PNI en la práctica clínica.
• El análisis de heterogeneidad tumoral basado en mpMRI es una herramienta valiosa para mejorar la precisión de la predicción de PNI en el cáncer de próstata.