Video Experimental Relacionado
Updated: May 3, 2026

Tracking the Mammary Architectural Features and Detecting Breast Cancer with Magnetic Resonance Diffusion Tensor Imaging
Published on: December 15, 2014
Modelado matemático basado en resonancia magnética para predecir la respuesta de pacientes con cáncer de mama I-SPY 2
Reshmi J S Patel1, Chengyue Wu2, Casey E Stowers2
1The University of Texas at Austin, Austin, United States.
Este estudio valida un modelo matemático basado en la biología para predecir la respuesta al tratamiento del cáncer de mama. El modelo predice con precisión los cambios tumorales en pacientes con cáncer de mama localmente avanzado (LABC) que reciben terapia neoadyuvante (NAT).
Área de la Ciencia:
- En el campo de la oncología
- Ingeniería biomédica
- Radiología
Sus antecedentes:
- La predicción precisa de la respuesta a la terapia neoadyuvante (NAT) en el cáncer de mama localmente avanzado (LABC) es crucial para el tratamiento personalizado.
- Los modelos existentes a menudo carecen de generalización en diferentes subtipos y entornos de ensayos clínicos.
- La resonancia magnética cuantitativa (MRI) proporciona datos valiosos para el seguimiento de la dinámica tumoral durante la NAT.
Objetivo del estudio:
- Establecer la generalización de un modelo matemático basado en la biología para predecir la respuesta de los pacientes con LABC a la NAT.
- Validar la precisión del modelo utilizando datos específicos del paciente de un ensayo clínico multicéntrico.
Principales métodos:
- 91 pacientes con LABC del ensayo I-SPY 2 se sometieron a resonancia magnética cuantitativa en tres momentos durante el ensayo NAT.
- Se calibró un modelo matemático basado en la biología previamente desarrollado utilizando datos de IRM específicos del paciente (V1 y V2).
- El modelo calibrado predijo la celularidad del tumor y los cambios de volumen al finalizar el tratamiento (V3), incorporando el movimiento celular, la proliferación y la muerte.
Principales resultados:
- El modelo logró altos coeficientes de correlación de concordancia (0,94 para la celularidad, 0,91 para el volumen) entre los cambios tumorales pronosticados y observados (V1-V3).
- Las métricas predictivas del volumen tumoral diferenciaron con precisión la Respuesta Completa patológica (PCR) de los pacientes sin PCR (AUC=0,78).
- El modelo demostró la capacidad predictiva específica del paciente sin requerir un conjunto de datos de capacitación dedicado.
Conclusiones:
- La tubería de pronóstico de tumores desarrollada predice con precisión el estado tumoral específico del paciente después de la NAT.
- La generalización del modelo se confirma en múltiples subtipos de LABC y sitios de ensayos clínicos utilizando datos de resonancia magnética del mundo real.
- Este enfoque ofrece una herramienta prometedora para optimizar las estrategias de tratamiento de LABC.
Más Videos Relacionados
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
06:44Modeling Brain Metastases Through Intracranial Injection and Magnetic Resonance Imaging
Published on: June 7, 2020