Un modelo de aprendizaje profundo para distinguir la pseudoprogesión y la progresión tumoral en el glioblastoma...

Área de la Ciencia:

• Imágenes neurológicas
• La inteligencia artificial en la medicina
• En el campo de la oncología

Sus antecedentes:

• La predicción precisa de la pseudoprogesión (PsP) frente a la progresión tumoral (TuP) es crítica para el tratamiento y el pronóstico de los pacientes con glioblastoma (GBM).
• Distinguir PsP de TuP después del tratamiento es un desafío utilizando métodos de imagen convencionales.

Objetivo del estudio:

• Desarrollar y validar un modelo de pronóstico de aprendizaje profundo (DL) para predecir PsP versus TuP en pacientes con GBM.
• Aprovechar las imágenes de resonancia magnética (MRI) con contraste T1 ponderado (CET1) pre y post-operatorio para una mayor precisión predictiva.

Principales métodos:

• Se entrenó un modelo de DL de Vision Transformer (ViT) en regiones tumorales segmentadas por expertos de las exploraciones de resonancia magnética CET1 pre y postoperatoria de 110 pacientes con GBM.
• El análisis comparativo incluyó modelos convencionales de redes neuronales convolucionales (CNN), con selección de características a través de la regresión PCA y LASSO.
• Un enfoque multimodal integró las características de DL con características clínicas para una predicción integral.

Principales resultados:

• El modelo CET1-ViT, utilizando imágenes combinadas pre y postoperatorias, logró un alto rendimiento (AUC hasta 95,5% de entrenamiento, 95,2% de validación).
• El modelo ViT superó significativamente las arquitecturas estándar de CNN en la predicción de PsP frente a TuP.
• El modelo multimodal demostró un poder predictivo superior, alcanzando AUC de 98,6% (entrenamiento) y 99,3% (validación).

Conclusiones:

• Un nuevo modelo de DL que utiliza la resonancia magnética CET1 pre y postoperatoria predice efectivamente la PsP frente a la TuP en pacientes con GBM.
• Este enfoque ofrece una herramienta prometedora para evaluar la eficacia del tratamiento y detectar signos tempranos de recurrencia del tumor.
• Los hallazgos apoyan la integración de técnicas avanzadas de DL en neuro-oncología para mejorar los resultados de los pacientes.