Enfoque de aprendizaje automático basado en CT Radiomics para la predicción de la invasividad de los nódulos de...

Área de la Ciencia:

• Radiología
• En el campo de la oncología
• Inteligencia artificial

Sus antecedentes:

• Los nódulos de vidrio molido pulmonar requieren un subtipo patológico preciso para un tratamiento óptimo del adenocarcinoma pulmonar.
• La diferenciación de subtipos como el adenocarcinoma in situ (AIS), el adenocarcinoma mínimamente invasivo (MIA) y el adenocarcinoma invasivo (IAC) antes de la operación es clínicamente significativa.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje automático (ML) que utilice la radiómica de la tomografía computarizada (TC).
• Mejorar la diferenciación de los subtipos patológicos dentro de los nódulos de vidrio pulmonar (GGN).

Principales métodos:

• Análisis retrospectivo de 400 GGN de 392 pacientes con adenocarcinoma pulmonar sometidos a tomografías computarizadas y resección.
• Extracción de características radiómicas seguida de reducción de dimensionalidad mediante mRMR y LASSO.
• Desarrollo y comparación de siete modelos ML, incluido el GradientBoosting, la regresión logística y la máquina vectorial de soporte.

Principales resultados:

• Se identificaron ocho características radiómicas clave para la diferenciación.
• El modelo GradientBoosting demostró el mayor rendimiento con un AUC de 0,929.
• El modelo logró una precisión del 85%, una sensibilidad del 85,1% y una especificidad del 84,9% en el conjunto de entrenamiento.

Conclusiones:

• El modelo GradientBoosting basado en radiómica CT muestra un rendimiento superior en la predicción de subtipos patológicos de adenocarcinoma pulmonar.
• Este enfoque de ML ofrece una herramienta auxiliar confiable para el diagnóstico clínico de GGN.