El papel del análisis radiómico y los diferentes modelos de aprendizaje automático en el diagnóstico del cáncer de...

Área de la Ciencia:

• Imágenes médicas
• En el campo de la oncología
• Inteligencia artificial

Sus antecedentes:

• El cáncer de próstata (PCa) es el cáncer más común en los hombres, lo que requiere una clasificación precisa para un tratamiento eficaz.
• La radiómica de la resonancia magnética biparamétrica (bpMRI) combinada con el aprendizaje automático (ML) muestra potencial para mejorar el diagnóstico y el pronóstico de PCa.

Objetivo del estudio:

• Evaluar la eficacia del diagnóstico de siete modelos ML para diferenciar los grados de PCa.
• Evaluar el impacto de las variables de entrada, incluidas las características radiómicas de la resonancia magnética ponderada por T2 (T2W) y ponderada por difusión (DWI) y los valores del antígeno prostático específico (PSA), en el rendimiento del modelo.

Principales métodos:

• Se incluyó un total de 214 hombres sometidos a una resonancia magnética de tipo bpmri.
• Las características radiómicas se extrajeron de las secuencias T2W y DWI.
• Se entrenaron y probaron siete algoritmos ML utilizando estas características, con y sin la inclusión del índice de PSA, y se evaluaron mediante el análisis de la curva característica de funcionamiento del receptor.

Principales resultados:

• Los modelos de ML que utilizan únicamente las características radiómicas de T2W y DWI mostraron una utilidad clínica limitada (AUC 0, 703 0, 807).
• La incorporación del índice PSA mejoró significativamente el rendimiento del modelo en todos los grados y ubicaciones (AUC 0,784 1,00).
• El rendimiento del modelo dependía en gran medida de los parámetros de entrada utilizados.

Conclusiones:

• La ML combinada con la radiómica de la RMBp puede ayudar a resolver problemas de diagnóstico diferencial en el cáncer de próstata.
• La inclusión del índice de PSA es fundamental para optimizar la eficiencia del modelo ML en la clasificación del PCa.
• La optimización de los métodos de análisis es esencial para su aplicación clínica.