Modelo basado en radiómica que utiliza características tumorales y peritumorales con aprendizaje semi-supervisado y...

Área de la Ciencia:

• Radiómica y aprendizaje automático en oncología
• Análisis de imágenes médicas
• Predicción de las Metástasis del Cáncer

Sus antecedentes:

• El cáncer de pulmón es una de las principales causas mundiales de mortalidad por cáncer.
• La detección temprana de la metástasis es crucial para el manejo del paciente, pero sigue siendo un desafío.
• Los modelos de aprendizaje automático existentes se enfrentan a limitaciones debido a la escasez y la heterogeneidad de los datos.

Objetivo del estudio:

• Desarrollar un modelo generalizable basado en la radiómica para predecir la metástasis del cáncer de pulmón en un plazo de dos años.
• Integrar el aprendizaje supervisado, semi-supervisado y privilegiado para mejorar la precisión de la predicción.
• Mejorar la identificación temprana de pacientes con cáncer de pulmón de alto riesgo.

Principales métodos:

• Extrajo las características radiómicas de las imágenes de TC, incluyendo el tumor y las regiones circundantes.
• Armonización de las características aplicadas para abordar la heterogeneidad de los datos de diferentes proveedores de TC.
• Desarrolló un modelo de máquinas vectoriales de soporte (SVM) que incorpora la selección de características, el aprendizaje semi-supervisado y el aprendizaje privilegiado.
• Evaluar el rendimiento del modelo en un conjunto de datos externos y compararlo con las predicciones de expertos humanos.

Principales resultados:

• El análisis óptimo del borde del tumor se extendió 3 mm dentro y 3 mm fuera del borde del tumor.
• Las características radiómicas indicaron una mayor heterogeneidad en pacientes con metástasis.
• El modelo SVM final logró una precisión equilibrada del 81,65%, superando a los expertos humanos.
• El aprendizaje semisupervisado y privilegiado mejoró significativamente la especificidad y la sensibilidad del modelo.

Conclusiones:

• El análisis del borde tumoral combinado con los datos clínicos ofrece información sobre el riesgo de metástasis.
• Las técnicas de aprendizaje integrado mejoran sustancialmente el rendimiento del modelo SVM para la predicción de metástasis.
• El modelo desarrollado es prometedor en la identificación de pacientes con cáncer de pulmón en riesgo de metástasis.
• Se necesita una validación adicional para confirmar la generalizabilidad y la utilidad clínica del modelo.