Optimización de la clasificación del meningioma con radiómica y integración de características profundas, mecanismos...

Área de la Ciencia:

• Neuro-oncología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• Los meningiomas requieren una clasificación preoperatoria precisa para una planificación eficaz del tratamiento.
• Los métodos de clasificación actuales pueden ser invasivos o carecer de precisión.

Objetivo del estudio:

• Desarrollar un marco robusto de IA para la clasificación preoperatoria de los meningiomas.
• Integrar las características de aprendizaje radiómico y profundo para mejorar la precisión del diagnóstico.
• Asegurar la interpretabilidad del modelo y la fiabilidad clínica.

Principales métodos:

• Análisis de 2546 imágenes de resonancia magnética del meningioma (con contraste T1 y ponderado T2).
• Extracción de características radiómicas y derivación de características profundas utilizando ResNet50 y EfficientNet-B0 con mecanismos de atención.
• Modelos conjuntos (Random Forest, XGBoost, LightGBM) que combinan características radiómicas y profundas.

Principales resultados:

• El 52% de las características radiómicas mostraron una excelente fiabilidad (ICC > 0,90).
• EfficientNet-B0 obtuvo un AUC del 94,12% (T1) y del 93,17% (T2).
• Los modelos híbridos y conjuntos, en particular XGBoost, alcanzaron AUCs de hasta el 96,87% (T1).

Conclusiones:

• El marco de IA desarrollado mejora significativamente la clasificación del meningioma preoperatorio.
• La alta precisión, interpretabilidad y reproducibilidad apoyan la aplicación clínica.
• Potencial para guiar la planificación quirúrgica y la terapia personalizada en neuro-oncología.