Video Experimental Relacionado
Updated: Sep 10, 2025
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Predicción del pronóstico de pacientes con insuficiencia hepática aguda y crónica relacionada con el virus de la
Xingzhi Huang1, Songsong Yuan2,3, Aiyun Zhou1
1Department of Ultrasound, The First Affiliated Hospital, Jiangxi Medical College, Nanchang University, Nanchang, Jiangxi, China.
Un nuevo modelo de aprendizaje profundo predice con precisión la mortalidad a los 30 días en pacientes con insuficiencia hepática aguda-crónica relacionada con el virus de la hepatitis B (HBV-ACLF) utilizando imágenes de ultrasonido hepático, mejorando la estratificación del riesgo.
Área de la Ciencia:
- Hepatología
- Imágenes médicas
- Inteligencia artificial
Sus antecedentes:
- La estratificación del riesgo individualizado para la insuficiencia hepática aguda sobre crónica relacionada con el virus de la hepatitis B (VHB-ACLF) es clínicamente desafiante.
- La predicción precisa del pronóstico es crucial para la toma oportuna de decisiones clínicas en el manejo del HBV-ACLF.
Objetivo del estudio:
- Desarrollar y validar un modelo de aprendizaje profundo multitarea para predecir la mortalidad a los 30 días en pacientes con HBV-ACLF.
- Evaluar el rendimiento del modelo utilizando imágenes longitudinales de ultrasonido hepático.
Principales métodos:
- Se entrenó un modelo de aprendizaje profundo U-net siamés con imágenes de ultrasonido y datos clínicos de 290 pacientes con HBV-ACLF.
- El modelo segmenta automáticamente las regiones del hígado y predice la mortalidad a los 30 días.
- El rendimiento se validó en 82 pacientes con HBV-ACLF, comparando un modelo de aprendizaje profundo con un modelo clínico.
Principales resultados:
- La red siames U logró una alta precisión en la segmentación hepática (coeficientes de Dice > 0,91).
- El modelo de aprendizaje profundo superó significativamente al modelo clínico en la predicción de la mortalidad a los 30 días (índice C 0,795, AUC 0,851).
- Un modelo combinado que integra el aprendizaje profundo y los datos clínicos mejoró aún más la precisión de la predicción (índice C 0,834, AUC 0,892).
Conclusiones:
- La U-net siamesa demuestra un potencial significativo para la predicción del pronóstico en el HBV-ACLF.
- Este enfoque impulsado por la IA puede mejorar la toma de decisiones clínicas y los resultados para los pacientes.
- Las imágenes longitudinales de ultrasonido hepático combinadas con el aprendizaje profundo ofrecen una herramienta prometedora para el manejo del HBV-ACLF.
