Clasificación de la lesión renal basada en la radiómica: efecto por lotes mitigante con armonización de combate...

Área de la Ciencia:

• Análisis de imágenes médicas
• Patología computacional
• Aprendizaje automático en oncología

Sus antecedentes:

• El aumento de las tomografías computarizadas conduce a más masas renales incidentales, lo que requiere la diferenciación entre los tipos benignos y malignos.
• La radiómica es prometedora para mejorar el diagnóstico de la masa renal, pero se ve obstaculizada por la variabilidad de los parámetros de imagen, como el grosor de la rebanada.
• Las técnicas de armonización eficaces son esenciales para estandarizar los datos radiómicos y mejorar la fiabilidad del diagnóstico.

Objetivo del estudio:

• Realizar un análisis radiómico completo para evaluar el impacto del grosor de la rebanada en la distinción entre quistes renales y tumores.
• Aprovechar las técnicas de aprendizaje automático para mejorar la precisión en la clasificación de la masa renal.
• Contribuir a estrategias de tratamiento más precisas para las masas renales.

Principales métodos:

• Se utilizó el conjunto de datos KITS23 de 599 tomografías computarizadas con contraste mejorado, divididas en cohortes de capacitación (60%) y pruebas (40%).
• Extrajo características radiómicas utilizando PyRadiomics, aplicando seis métodos de selección de características y diez clasificadores de aprendizaje automático.
• Implementó la técnica de armonización de combate anidado para abordar las variaciones del protocolo de imágenes interinstitucionales.

Principales resultados:

• La armonización utilizando Combate Anidado condujo a la mejora de los valores del Área Bajo la Curva (AUC) en varios métodos y clasificadores.
• El AUC más alto alcanzado alcanzó 0,95, lo que demuestra una mejora significativa del rendimiento del modelo.
• Las mejoras medias de la AUC oscilaron entre el 0,7% y el 7,7%, con resultados comparables o superiores a los valores de referencia existentes en la literatura.

Conclusiones:

• Los modelos de aprendizaje automático basados en radiómica tienen un potencial significativo para mejorar la precisión del diagnóstico en oncología renal.
• Las técnicas de armonización, específicamente el Combate Anidado, son críticas para desarrollar modelos predictivos confiables y generalizables.
• Estos avances pueden conducir a mejores estrategias de manejo de pacientes en la práctica clínica.