Clasificación basada en el aprendizaje automático de los ganglios linfáticos cervicales en HNSCC: un enfoque...

Área de la Ciencia:

• Radiología
• En el campo de la oncología
• Análisis de imágenes médicas

Sus antecedentes:

• La tomografía computarizada (CT) es vital para la estadificación del carcinoma de células escamosas de la cabeza y el cuello (HNSCC), pero la evaluación convencional de los ganglios linfáticos (LN) carece de sensibilidad.
• Los criterios morfológicos en la TC son subjetivos y pueden pasar por alto la enfermedad metastásica temprana, lo que afecta el pronóstico y la planificación del tratamiento.

Objetivo del estudio:

• Aprovechar la radiómica para la extracción cuantitativa de características de las imágenes de TC para mejorar la precisión de la clasificación LN en HNSCC.
• Desarrollar un método no invasivo para la evaluación de la LN, reduciendo la dependencia de la histopatología.

Principales métodos:

• Análisis de 234 LNs de 27 pacientes con HNSCC, extrayendo 120 características radiómicas por nodo.
• Optimización sistemática de modelos de aprendizaje automático, selección de características y hiperparámetros, incluidos los métodos de conjunto.
• Aplicación de una estrategia de frente de Pareto para la reducción de características y la optimización de la precisión.

Principales resultados:

• Un modelo radiómico óptimo logró una precisión equilibrada de 0,90, un AUC de 0,93 y una puntuación F1 de 0,88.
• El alto rendimiento se obtuvo utilizando solo cinco características radiómicas seleccionadas.
• El modelo fue validado mediante una validación cruzada de 5 veces.

Conclusiones:

• El enfoque radiómico desarrollado ofrece un método interpretable y preciso para la clasificación no invasiva de LN en HNSCC.
• Esta técnica muestra un potencial significativo de integración en la práctica clínica de radiología para mejorar el manejo de HNSCC.