Video Experimental Relacionado
Updated: Sep 9, 2025
Guidelines and Experience Using Imaging Biomarker Explorer IBEX for Radiomics
Published on: January 8, 2018
Un modelo radiómico interpretable que integra el ultrasonido y las características clínicas para la clasificación
Yin Zheng1, Chen Chen2, Hongwei You3
1The Second School of Clinical Medicine, Zhejiang Chinese Medical University, Hangzhou, Zhejiang, China; Department of Diagnostic Ultrasound Imaging & Interventional Therapy, Zhejiang Cancer Hospital, Hangzhou, Zhejiang, China.
Un nuevo modelo de IA, ALNIP, clasifica con precisión las lesiones de los ganglios linfáticos axilares (ALN) utilizando ultrasonido. Esta herramienta ayuda en el diagnóstico no invasivo, mejorando la estadificación del tumor y las decisiones de tratamiento para mejores resultados del paciente.
Área de la Ciencia:
- Radiología
- Inteligencia artificial
- En el campo de la oncología
Sus antecedentes:
- La clasificación precisa de los ganglios linfáticos axilares (ALN) es crucial para la estadificación y el tratamiento del cáncer.
- La interpretación actual de ultrasonido por parte de los radiólogos tiene limitaciones en la diferenciación de carcinoma benigno, metastásico y linfoma.
- Se necesitan herramientas de diagnóstico mejoradas para una evaluación precisa de la NLA preoperatoria.
Objetivo del estudio:
- Desarrollar y validar el modelo de predicción interpretable de los ganglios linfáticos axilares (ALNIP).
- Clasificar las LNA en carcinoma benigno, metastásico o linfoma utilizando datos radiómicos y clínicos basados en ultrasonidos.
- Comparar el rendimiento del modelo ALNIP con las evaluaciones de los radiólogos.
Principales métodos:
- Un estudio retrospectivo multicéntrico en el que participaron 1480 ALN.
- Extracción y selección de las características radiómicas de las imágenes de ultrasonido mediante regresión ElasticNet.
- Desarrollo del modelo ALNIP que integra la radiómica y las variables clínicas, validado en múltiples conjuntos de datos.
Principales resultados:
- El modelo Logística-Radiómica logró un MicroAUC de 0,835.
- El modelo ALNIP demostró un alto rendimiento con MicroAUC de 0,924 (conjunto de ensayos), 0,905 (validación externa 1) y 0,853 (validación externa 2).
- El modelo ALNIP superó significativamente a los radiólogos de todos los niveles de experiencia.
Conclusiones:
- El modelo ALNIP proporciona un método confiable e interpretable para la predicción del estado de ALN preoperatorio.
- Muestra un potencial significativo para el diagnóstico no invasivo, especialmente para ALN desafiantes en ultrasonido.
- El modelo puede ayudar en la toma de decisiones clínicas, impactando las estrategias de estadificación y tratamiento del tumor.
