Modelo de fusión que integra la radiomía de resonancia magnética de secuencias múltiples y las imágenes del hábitat
Shaojie Xu1, Yushi Ying1, Qilan Hu2
1Department of Thyroid and Breast Surgery, Tongji Hospital, Tongji Medical College, Huazhong University of Science and Technology, Wuhan, 430030, Hubei, People's Republic of China.
Resumen
Un nuevo modelo que integra la radiómica de resonancia magnética, el aprendizaje profundo y las imágenes del hábitat predice con precisión la respuesta patológica completa (PCR) en pacientes con cáncer de mama que reciben terapia neoadyuvante (NAT). Este modelo de fusión ofrece una herramienta no invasiva para las decisiones de tratamiento personalizado.
Área de la Ciencia:
- En el campo de la oncología
- Radiología
- Inteligencia artificial
Sus antecedentes:
- Los pacientes con cáncer de mama sometidos a terapia neoadyuvante (NAT) requieren una predicción precisa de la respuesta patológica completa (PCR).
- Los métodos de predicción actuales pueden no capturar completamente la heterogeneidad del tumor y la respuesta al tratamiento.
- La integración de datos de imágenes multimodales puede mejorar potencialmente la precisión predictiva.
Objetivo del estudio:
- Desarrollar y validar un modelo predictivo para la pCR en pacientes con cáncer de mama que reciben NAT.
- Integrar la radiómica de resonancia magnética de múltiples secuencias, las características de aprendizaje profundo y las imágenes de hábitat para una predicción mejorada.
- Evaluar el rendimiento y la interpretabilidad del modelo para su aplicación clínica.
Principales métodos:
- Análisis retrospectivo de 203 pacientes con cáncer de mama tratadas con NAT.
- Extracción de las características radiómicas de la resonancia magnética de secuencias múltiples (T2WI, DWI, DCE-MRI) y análisis de imágenes del hábitat.
- Desarrollo y validación de un modelo de aprendizaje automático de fusión utilizando ROC, curvas de PR, DCA y técnicas de interpretabilidad (SHAP, LIME).
Principales resultados:
- El modelo de fusión demostró un rendimiento predictivo superior con un AUC de 0,913 en el conjunto de ensayos.
- Se observó una mejora en el equilibrio precisión-recuerdo y un mayor beneficio clínico en comparación con los modelos de una sola región.
- El análisis SHAP identificó las características radiómicas clave que influyen en la predicción de la pCR, mejorando la interpretabilidad del modelo.
Conclusiones:
- La integración de las características multidimensionales de la resonancia magnética y las imágenes del hábitat mejora significativamente la predicción de la pCR en el cáncer de mama.
- El modelo de fusión desarrollado sirve como una herramienta robusta y no invasiva para guiar estrategias de tratamiento neoadyuvantes individualizadas.
- La interpretabilidad del modelo a través de SHAP y LIME respalda la confianza y la aplicación clínicas.
