Video Experimental Relacionado
Updated: Sep 9, 2025
Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025
El nomograma de radiomía de aprendizaje profundo predice la metástasis de los ganglios linfáticos en el carcinoma de
Yun Liang1,2, Min He1, Wenqing Chen1,2
1Department of Radiology, First Hospital of Shanxi Medical University, Taiyuan, China.
Un nuevo nomograma que combina la radiómica de aprendizaje profundo y las características de imagen clínica identifica con precisión las metástasis de los ganglios linfáticos en el carcinoma de células escamosas de la laringe. Esta herramienta mejora la estadificación no invasiva y el tratamiento personalizado para los pacientes con LSCC.
Área de la Ciencia:
- En el campo de la oncología
- Radiología
- Imágenes médicas
Sus antecedentes:
- Las metástasis de los ganglios linfáticos (LNM) en el carcinoma de células escamosas de la laringe (LSCC) están relacionadas con una baja supervivencia.
- Los métodos actuales de imagen como la TC tienen limitaciones en la detección de LNM.
- La combinación de la radiómica convencional y el aprendizaje profundo es prometedora, pero necesita más investigación.
Objetivo del estudio:
- Desarrollar un nomograma predictivo para mejorar la identificación de la LNM en pacientes con LSCC.
- Integrar la radiómica de aprendizaje profundo con las características de imágenes clínicas de las tomografías computarizadas.
- Mejorar la estadificación no invasiva y personalizar las estrategias de tratamiento para el LSCC.
Principales métodos:
- Análisis retrospectivo de 235 pacientes con LSCC (164 en formación, 71 en validación).
- Extracción de las características radiómicas de las imágenes de TC y desarrollo de 7 modelos radiómicos.
- Integración de las características de aprendizaje profundo de ResNet50 para crear modelos radiómicos de aprendizaje profundo (DLR).
- Combinación del modelo óptimo de DLR con las características de las imágenes clínicas para formar el nomograma predictivo.
Principales resultados:
- El nomograma logró AUC de 0.934 (entrenamiento) y 0.864 (validación), superando las imágenes clínicas, la radiómica convencional y los modelos DLR.
- El nomograma demostró una precisión significativamente mayor en la predicción de LNM en comparación con otros métodos.
- El análisis de la curva de decisión confirmó la utilidad clínica superior del nomograma.
Conclusiones:
- El nomograma desarrollado identifica con precisión el LNM en pacientes con LSCC.
- Esta herramienta ofrece información valiosa para la estadificación no invasiva de los ganglios linfáticos.
- El nomograma apoya enfoques de tratamiento personalizados para el LSCC.
