El método de generación de datos sintéticos mejora el modelo de predicción de riesgo para la recurrencia temprana del...

Área de la Ciencia:

• En el campo de la oncología
• Aprendizaje automático
• Imágenes médicas

Sus antecedentes:

• El cáncer de páncreas exhibe un comportamiento agresivo y altas tasas de recurrencia.
• La predicción precisa de la recurrencia temprana es crucial para la planificación del tratamiento, incluida la quimioterapia neoadyuvante o la cirugía inicial.

Objetivo del estudio:

• Evaluar la eficacia de los datos sintéticos generados por autoencoder variacional (VAE) en la predicción de la recurrencia temprana del cáncer de páncreas.
• Evaluar el impacto de los datos sintéticos en el rendimiento de los modelos de aprendizaje automático para la predicción de la recurrencia.

Principales métodos:

• Análisis de datos preoperatorios de 158 pacientes con cáncer de páncreas (enero de 2021 - diciembre de 2022).
• Entrenamiento de modelos de aprendizaje automático (regresión logística, bosque aleatorio, máquina de impulso gradiente, redes neuronales profundas) en conjuntos de datos sintéticos originales y generados por VAE.
• Comparación del rendimiento del modelo utilizando datos originales frente a datos sintéticos.

Principales resultados:

• Los datos sintéticos generados por el VAE (n=94) coincidían estrechamente con los datos originales (p>0,05).
• Los datos sintéticos mejoraron la precisión del modelo (por ejemplo, GBM: 0.81 a 0.87; RF: 0.84 a 0.87) y la sensibilidad (por ejemplo, GBM: 0.73 a 0.91; RF: 0.82 a 0.91).
• Los parámetros metabólicos de PET/ CT, en particular el SUVmax, fueron los predictores más fuertes de la recurrencia.

Conclusiones:

• La generación de datos sintéticos utilizando VAE puede mejorar significativamente los modelos predictivos para la recurrencia del cáncer de páncreas.
• Esta estrategia es particularmente prometedora en entornos con datos limitados, ofreciendo una herramienta valiosa para los modelos de predicción oncológica.