Predicción basada en la radiómica de la respuesta del HCC al atezolizumab/bevacizumab

Área de la Ciencia:

• Investigación del carcinoma hepatocelular
• Imágenes médicas y aprendizaje automático
• Terapéutico en Oncología

Sus antecedentes:

• El tratamiento del carcinoma hepatocelular avanzado (HCC) ha avanzado con atezolizumab/ bevacizumab, pero la respuesta del paciente varía.
• La predicción de la respuesta al tratamiento es esencial para optimizar el manejo y los resultados del paciente.

Objetivo del estudio:

• Desarrollar y evaluar modelos de predicción multimodal para la respuesta a atezolizumab/bevacizumab en el CCH avanzado.
• Combinar imágenes cuantitativas (radiómica) y marcadores clínicos para mejorar el rendimiento predictivo.

Principales métodos:

• Análisis retrospectivo de 103 pacientes con CHC avanzado tratados con atezolizumab/ bevacizumab en seis centros.
• Desarrollo de modelos de aprendizaje automático (RandomForestClassifier) para conjuntos de datos radiómicos, clínicos y combinados.
• Ajuste de hiperparámetros y validación cruzada para evaluar el rendimiento del modelo utilizando la precisión y el ROC AUC.

Principales resultados:

• El modelo radiómico logró una precisión del 73,1% (AUC 0,635); el modelo clínico logró una precisión del 73% (AUC 0,649).
• El modelo combinado inicial mostró una precisión del 69% (AUC 0,753).
• El ajuste del hiperparámetro mejoró significativamente la precisión del modelo combinado al 80,1% (AUC 0,771).

Conclusiones:

• Un modelo híbrido que integra datos clínicos y radiológicos ofrece una predicción superior de la respuesta de atezolizumab/ bevacizumab en pacientes con CHC.
• Los modelos de predicción multimodal pueden ayudar a personalizar las estrategias de tratamiento para el CHC avanzado.
• Se justifica una mayor validación de estos modelos para su aplicación clínica.