Desarrollo de un modelo de aprendizaje automático que integra datos patológicos y clínicos para predecir la...

Área de la Ciencia:

• En el campo de la oncología
• La radiomía
• Patología digital

Sus antecedentes:

• La evaluación precisa de los ganglios linfáticos axilares (ALN) es fundamental para la planificación del tratamiento del cáncer de mama (BC).
• La predicción preoperatoria de la metástasis ALN (ALNM) sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar y validar un nuevo nomograma que integre las características patológicas para la predicción preoperatoria de la ALNM en BC.
• Mejorar la precisión del diagnóstico y guiar estrategias de tratamiento personalizadas.

Principales métodos:

• Análisis retrospectivo de imágenes digitales teñidas de H&E de 407 pacientes de BC en dos instituciones.
• Selección de características utilizando la prueba U de Mann-Whitney, la correlación de rango de Spearman y la regresión LASSO.
• Desarrollo de un nomograma mediante regresión logística, validado internamente y externamente.

Principales resultados:

• Las características patómicas, junto con ER, HER2 y el tamaño del tumor, se identificaron como predictores independientes de ALNM.
• El nomograma basado en la patología demostró un rendimiento predictivo superior (AUC 0,783 en IVC, 0,738 en EVC) en comparación con los modelos existentes.
• El análisis de la curva de decisión confirmó la utilidad clínica y el beneficio del nomograma.

Conclusiones:

• Las características patómicas son efectivas en la predicción de la ALNM en pacientes con cáncer de mama.
• El nomograma desarrollado basado en la patología sirve como una herramienta valiosa para la evaluación preoperatoria personalizada y la planificación del tratamiento.