Video Experimental Relacionado
Updated: May 8, 2026
05:19
Magnetic Resonance Imaging Assessment of Carcinogen-induced Murine Bladder Tumors
Published on: March 29, 2019
10.4K
Modelo interpretable basado en imágenes multi-DECT que incorpora radiómica del hábitat y aprendizaje profundo del
Changyu Du1, Wei Wei1, Mengting Hu1
1Department of Radiology, First Affiliated Hospital of Dalian Medical University, Dalian, China (C.D., W.W., M.H., J.H., J.S., Y.L.).
Academic radiology
|August 31, 2025
Resumen
Un nuevo modelo de aprendizaje profundo interpretable que integra la radiómica del hábitat y el transformador de visión (ViT) predice efectivamente la invasión muscular en el cáncer de vejiga (BCa) utilizando imágenes de TC de doble energía (DECT). Este enfoque ayuda a la planificación del tratamiento personalizado.
Área de la Ciencia:
- Radiología e imágenes médicas
- La inteligencia artificial en la medicina
- En el campo de la oncología
Sus antecedentes:
- La predicción preoperatoria precisa de la invasión muscular es crucial para la planificación del tratamiento del cáncer de vejiga (BCa).
- La TC de doble energía (DECT) ofrece parámetros cuantitativos de imágenes que pueden ayudar a evaluar las características del tumor.
- Los modelos de aprendizaje profundo interpretables (DL) son cada vez más importantes para el apoyo a las decisiones clínicas.
Objetivo del estudio:
- Evaluar un modelo interpretable basado en imágenes multi-DECT que integre la radiómica del hábitat y un transformador de visión 3D (ViT) para predecir la invasión muscular en BCa.
- Comparar el rendimiento de este modelo integrado con los modelos radiómicos tradicionales y los modelos de DL único.
- Evaluar la interpretación y la utilidad clínica del modelo desarrollado.
Principales métodos:
- Análisis retrospectivo de 200 pacientes con BCa utilizando datos de DECT.
- Desarrollo de un modelo radiómico de hábitat utilizando el agrupamiento de medios K.
- Construcción y evaluación de varios modelos DL, incluido un ViT 3D, y modelos de fusión utilizando imágenes monocromáticas virtuales (VMIs).
- Las métricas de rendimiento incluyeron AUC, curvas de calibración, DCA, NRI e IDI; SHAP se utilizó para la interpretación del modelo.
Principales resultados:
- El modelo integrado Habitat-ViT logró un rendimiento superior, con un AUC de 0,997 en la cohorte de entrenamiento y de 0,892 en la cohorte de prueba.
- Los parámetros cuantitativos DECT no mejoraron significativamente el rendimiento del modelo cuando se agregaron.
- El modelo Habitat-ViT demostró un beneficio neto favorable y una calibración sólida, y SHAP proporcionó información sobre su proceso de toma de decisiones.
Conclusiones:
- El modelo interpretable basado en imágenes multi-DECT que integra la radiómica del hábitat y ViT DL muestra una promesa significativa para la predicción preoperatoria de la invasión muscular en BCa.
- Este enfoque puede proporcionar información valiosa para estrategias de tratamiento personalizadas y evaluación del pronóstico.
- La interpretabilidad del modelo mejora su potencial de adopción clínica.
