Video Experimental Relacionado
Updated: Sep 9, 2025
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Predicción basada en el aprendizaje profundo de la respuesta completa patológica axilar en pacientes con cáncer de
Yu Liu1, Ying Wang2, Jiaxin Huang3
1Department of Ultrasound, Guangdong Provincial People's Hospital (Guangdong Academy of Medical Sciences), Southern Medical University, Guangzhou, 510080, China.
Un nuevo modelo iShape predice con precisión el estado de los ganglios linfáticos axilares en pacientes con cáncer de mama sometidos a terapia neoadyuvante. Esta herramienta de IA mejora las decisiones de tratamiento y ayuda a evitar la disección innecesaria de los ganglios linfáticos axilares.
Área de la Ciencia:
- En el campo de la oncología
- Imágenes médicas
- Inteligencia artificial
Sus antecedentes:
- La evaluación precisa de la enfermedad nodal residual es crucial para orientar la cirugía axilar en pacientes con cáncer de mama.
- Los modelos actuales de aprendizaje profundo para la imagenología del cáncer carecen de interpretabilidad, lo que dificulta la traducción clínica.
- El desarrollo de biomarcadores no invasivos para rastrear la carga tumoral longitudinalmente puede mejorar el manejo del paciente.
Objetivo del estudio:
- Desarrollar y validar un modelo interpretable de información compartida y privada (iShape) para predecir la respuesta patológica axilar completa.
- Evaluar la capacidad del modelo iShape para aprender de las imágenes longitudinales del tumor primario y los ganglios linfáticos axilares (ALN).
- Evaluar el potencial del modelo iShape para guiar las decisiones de cirugía axilar en pacientes con cáncer de mama ALN positivo que reciben terapia neoadyuvante (NAT).
Principales métodos:
- Un estudio retrospectivo multicéntrico incluyó a 1135 pacientes con cáncer de mama ALN positivo comprobado por biopsia que recibían NAT.
- El modelo iShape fue entrenado en 371 pacientes y validado en tres conjuntos externos (295, 244, 225 pacientes).
- El rendimiento del modelo se evaluó utilizando el área debajo de la curva de características operativas del receptor (AUC), y las tasas de falsos negativos (FNR) se evaluaron con y sin biopsia de ganglios linfáticos centinela (SLNB).
Principales resultados:
- El modelo iShape logró altas AUC (0,950-0,971) en los conjuntos de validación externa, superando a los modelos clínicos y de imágenes existentes.
- iShape demostró un rendimiento robusto en varios subgrupos de pacientes y regímenes de tratamiento.
- iShape redujo significativamente el FNR de SLNB de 13.4% a 3.6%, ayudando en la decisión para la disección de ganglios linfáticos axilares.
Conclusiones:
- El modelo iShape muestra un excelente rendimiento en la cuantificación precisa del estado de ALN en pacientes con cáncer de mama sometidos a NAT.
- Este enfoque impulsado por la IA tiene el potencial de personalizar las decisiones de tratamiento y reducir las disecciones innecesarias de los ganglios linfáticos axilares.
- La visualización de características y la secuenciación de ARN proporcionaron información sobre el proceso de toma de decisiones del modelo iShape y los fundamentos biológicos.
