Video Experimental Relacionado
Updated: Sep 9, 2025
04:09
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K
Subtipo masivo macrotrabecular en el carcinoma hepatocelular basado en la TC mejorada por contraste: el aprendizaje
Lulu Jia1, Zeyan Li2, Gang Huang3
1The First Clinical Medical College of Lanzhou University, Lanzhou, China.
Insights into imaging
|August 28, 2025
Resumen
Un nuevo modelo de aprendizaje profundo predice con precisión el subtipo de carcinoma hepatocelular masivo (MTM) utilizando tomografías computarizadas. Esta herramienta avanzada supera el aprendizaje automático tradicional, ayudando en las decisiones clínicas y la terapia personalizada para los pacientes con CHC.
Área de la Ciencia:
- Radiología e imágenes médicas
- La inteligencia artificial en la medicina
- En el campo de la oncología
Sus antecedentes:
- El carcinoma hepatocelular (HCC) es un cáncer primario del hígado con distintos subtipos que afectan el pronóstico y el tratamiento.
- La determinación precisa y no invasiva de los subtipos de HCC, como el subtipo macrotrabecular-masivo (MTM), es crucial para un tratamiento clínico eficaz.
- Los métodos de diagnóstico actuales pueden requerir procedimientos invasivos, lo que pone de relieve la necesidad de herramientas predictivas avanzadas basadas en imágenes.
Objetivo del estudio:
- Desarrollar y validar un modelo de aprendizaje profundo (DL) para predecir el subtipo MTM del CHC utilizando imágenes de tomografía computarizada (TC) con contraste mejorado.
- Comparar el rendimiento diagnóstico del modelo de DL desarrollado con los modelos convencionales de aprendizaje automático (ML) y los enfoques de DL de referencia.
- Explorar el potencial de la integración de parámetros clínicos con modelos de DL para una mejor predicción del subtipo MTM.
Principales métodos:
- Recopilación retrospectiva de datos de TC mejorados con contraste de 368 pacientes con CHC en dos centros médicos.
- Desarrollo de una nueva red DL, ResNet-ViT Contrastive Learning (RVCL), basada en la arquitectura ResNet-50.
- Análisis comparativo de la RVCL con los modelos de referencia de DL y ML utilizando el área debajo de la curva de características operativas del receptor (AUC) para la evaluación del rendimiento.
Principales resultados:
- El modelo RVCL logró un AUC superior de 0,93 para la predicción del subtipo MTM en el conjunto de ensayos externos, superando significativamente el DL basal (AUC de 0,46 a 0,72) y los modelos ML (AUC de 0,49 a 0,60).
- La integración de alfa-fetoproteína (AFP) con el modelo RVCL no produjo una mejora estadísticamente significativa en el rendimiento diagnóstico.
- El modelo RVCL demuestra una gran precisión en la predicción del subtipo MTM de manera no invasiva.
Conclusiones:
- La TC mejorada por contraste combinada con el modelo de aprendizaje profundo RVCL proporciona un método preciso para predecir el subtipo MTM de HCC.
- El modelo RVCL representa un avance significativo con respecto a las técnicas tradicionales de ML para el subtipo de HCC.
- Este enfoque impulsado por la IA ofrece una herramienta valiosa para la toma de decisiones clínicas y puede guiar estrategias terapéuticas personalizadas en el manejo del CHC.
