Radiomía impulsada por aprendizaje automático en 18 F-FDG PET para el diagnóstico de glioma: una revisión sistemática...

Área de la Ciencia:

• Neuro-oncología
• Imágenes médicas
• Aprendizaje automático
• La radiomía

Sus antecedentes:

• El aprendizaje automático (ML) aplicado a la radiómica ha avanzado en las imágenes neuro-oncológicas.
• La utilidad diagnóstica de los modelos ML que utilizan las características radiómicas del PET 18F-FDG para la clasificación del glioma no está bien establecida.

Objetivo del estudio:

• Evaluar sistemáticamente y sintetizar cuantitativamente la precisión del diagnóstico de los modelos ML entrenados en radiómica PET 18F-FDG para la clasificación de gliomas.

Principales métodos:

• Una revisión sistemática conforme a PRISMA y un metanálisis de los estudios en los que se utilizó el ML sobre las características radiómicas del PET 18F-FDG para la clasificación del glioma.
• Buscado en PubMed, Scopus y Web of Science hasta enero de 2025.
• Se incluyen estudios que informan métricas de rendimiento; datos extraídos sobre demografía, imágenes, características, modelos y validación; metaanálisis de efectos aleatorios realizados.

Principales resultados:

• Se analizaron doce estudios con 2321 pacientes.
• Las métricas de diagnóstico combinadas incluyeron una precisión del 92,6%, un AUC del 0,95, una sensibilidad del 85,4%, una especificidad del 89,7%, un puntaje de F1 del 0,78 y una precisión del 0,90.
• Se observó una alta heterogeneidad; las CNN y la integración PET/IRM mostraron un rendimiento superior.

Conclusiones:

• Los modelos de ML basados en la radiómica 18F-FDG PET muestran un fuerte rendimiento diagnóstico para la clasificación del glioma.
• La heterogeneidad metodológica pone de relieve la necesidad de lineas de producción estandarizadas, validación externa e informes transparentes antes de la integración clínica.