2.5 Aprendizaje profundo y aprendizaje automático para DLBCL discriminativo e IDC con radiómica en PET/CT

Área de la Ciencia:

• En el campo de la oncología
• Radiología
• Inteligencia artificial

Sus antecedentes:

• La diferenciación precisa entre el linfoma difuso de células B grandes (DLBCL) y el carcinoma ductal invasivo (IDC) es crucial para el tratamiento del paciente.
• Los métodos de diagnóstico actuales a menudo se basan en pruebas de patología invasivas.
• Se necesitan modelos de diagnóstico no invasivos con una precisión comparable a la patología.

Objetivo del estudio:

• Establecer modelos de diagnóstico no invasivos para DLBCL e IDC utilizando F-FDG PET/CT.
• Identificar biomarcadores confiables de imágenes digitales para clasificar estas dos condiciones.
• Comparar el rendimiento de los modelos de aprendizaje automático y de aprendizaje profundo con los estándares de patología.

Principales métodos:

• Se utilizaron 386 nódulos mamarios de 279 pacientes con DLBCL y IDC patológicamente confirmados que se sometieron a ¹⁸F-FDG PET/CT.
• Empleó técnicas de aprendizaje profundo 2.5D y aprendizaje automático para la extracción de características y el desarrollo de modelos.
• Modelos validados en cohortes internas y externas, evaluando el rendimiento con AUC y matriz de confusión.
• Interpretación de las decisiones del modelo utilizando las técnicas SHAP y LIME.

Principales resultados:

• El modelo óptimo, PT_TDC_SVM, logró una alta precisión (0,980 interno, 0,975 externo) y el AUC (0,992 interno, 0,996 externo).
• El mejor biomarcador de imágenes, PET_LBP-2D_gldm_DependenceEntropy, mostró una precisión media de 0,923 (internas) y 0,937 (externas).
• El modelo automatizado desarrollado demostró un potencial significativo para una clasificación precisa de DLBCL e IDC.

Conclusiones:

• Se desarrolló con éxito un innovador modelo automatizado para diferenciar DLBCL e IDC utilizando imágenes F-FDG PET/CT.
• Se identificaron biomarcadores confiables de imágenes digitales, que ofrecen un enfoque de diagnóstico no invasivo prometedor.
• Los hallazgos sugieren un potencial para que estos modelos impulsados por IA complementen o incluso reemplacen las pruebas de patología tradicionales en ciertos contextos.