Un modelo de clasificación basado en la radiómica explicable para el diagnóstico de sarcoma

Área de la Ciencia:

• Radiómica y imágenes médicas
• Inteligencia Artificial en Oncología
• Aprendizaje automático para la clasificación de enfermedades

Sus antecedentes:

• La clasificación de tumores de sarcoma se basa en gran medida en la interpretación subjetiva de las imágenes de resonancia magnética.
• Necesidad de métodos objetivos y automatizados para mejorar la precisión y la eficiencia del diagnóstico.
• La IA explicable (IAX) ofrece un potencial de apoyo a la toma de decisiones clínicas transparente y confiable.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje automático explicable basado en la radiómica para la clasificación automatizada de tumores de sarcoma mediante RM.
• Reducir la dependencia del médico de la interpretación subjetiva de las imágenes.
• Mejorar la interpretabilidad de los modelos de IA en el diagnóstico médico.

Principales métodos:

• Extracción de 851 características radiómicas, incluidos los descriptores wavelet, de 186 imágenes de resonancia magnética de pacientes con sarcoma.
• Entrenamiento de un clasificador de Bosque Aleatorio con ajuste de hiperparámetros mediante validación cruzada anidada.
• Utilizando la Importancia de las Características y las Explicaciones Agnóstico-Modelo Interpretables Locales (LIME) para la interpretabilidad del modelo.

Principales resultados:

• El modelo radiómico logró una puntuación F1 de 0,742 y una precisión de 0,724 en el conjunto de pruebas.
• El análisis LIME identificó la textura y las características radiómicas basadas en wavelets como predictores clave.
• El marco demostró una clasificación eficaz de los tumores de sarcoma a partir de tejido sano.

Conclusiones:

• El marco de IA explicable propuesto permite una clasificación precisa e interpretable de los sarcomas a partir de la resonancia magnética.
• Este enfoque no invasivo apoya el diagnóstico precoz, personalizado y de precisión del cáncer.
• El estudio subraya el valor de la IA explicable para mejorar la seguridad de la toma de decisiones clínicas.