Un modelo multimodal basado en resonancia magnética para la predicción de metástasis hepáticas colorectales:...

Área de la Ciencia:

• En el campo de la oncología
• Radiología
• Imágenes médicas
• Aprendizaje automático

Sus antecedentes:

• La predicción de la metástasis hepática del cáncer colorrectal (CRLM) es crucial para el pronóstico del paciente.
• La resonancia magnética multiparamétrica ofrece el potencial para la evaluación no invasiva de CRLM.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje automático multimodal interpretable que utilice la resonancia magnética multiparamétrica para la predicción del CRLM.
• Mejorar la interpretabilidad del modelo utilizando las explicaciones aditivas de SHapley (SHAP) y la visualización de aprendizaje profundo.

Principales métodos:

• Un estudio retrospectivo multicéntrico de 463 pacientes con cáncer colorrectal.
• Extracción de las características radiómicas de T2WI y DWI, y las características de aprendizaje profundo utilizando ResNet101.
• Desarrollo de modelos clínicos, radiómicos, de aprendizaje profundo y combinados utilizando regresión logística LASSO.

Principales resultados:

• El modelo combinado logró altas AUC (0.889 entrenamiento, 0.838 validación interna, 0.822 validación externa), superando las modalidades individuales.
• El análisis SHAP identificó la textura T2WI y CA19-9 como predictores clave; Grad-CAM confirmó el enfoque de aprendizaje profundo en las regiones tumorales.
• El análisis de la curva de decisión indicó un mayor beneficio clínico neto para el modelo integrado.

Conclusiones:

• Se desarrolló un modelo de resonancia magnética multiparamétrica robusto e interpretable para la predicción no invasiva de CRLM.
• La integración de la radiómica y las funciones de aprendizaje profundo con SHAP/Grad-CAM mejora el rendimiento predictivo y la relevancia clínica.
• El modelo muestra potencial como herramienta de apoyo a la toma de decisiones para el tratamiento individualizado del cáncer colorrectal.