Radiómica y métodos de aprendizaje profundo para predecir el crecimiento de nódulos subsolidos basados en imágenes de...

Área de la Ciencia:

• Imágenes médicas
• La inteligencia artificial en la medicina
• En el campo de la oncología

Sus antecedentes:

• Los nódulos subsolidos (NSS) son indicadores clave del adenocarcinoma pulmonar, pero su comportamiento variado complica el manejo clínico.
• La predicción precisa del crecimiento de SSN es crucial para las estrategias de tratamiento efectivas.

Objetivo del estudio:

• Evaluar la utilidad clínica del aprendizaje profundo y la radiómica para predecir el crecimiento de la SSN utilizando imágenes de TC.
• Desarrollar y comparar un modelo conjunto que integre ambos enfoques.

Principales métodos:

• Análisis retrospectivo de 387 SSN de 353 pacientes, divididos en grupos de crecimiento y no crecimiento.
• Extracción de 1454 características radiómicas y aplicación de LASSO para la selección de características.
• Desarrollo de un modelo de aprendizaje profundo utilizando la arquitectura ResNet18.
• Creación de un modelo conjunto mediante la fusión de modelos radiómicos y de aprendizaje profundo.

Principales resultados:

• El modelo conjunto logró un AUC de 0,926, superando el modelo radiómico (AUC = 0,894) y el modelo de aprendizaje profundo (AUC = 0,802) en el conjunto de pruebas.
• El análisis estadístico confirmó el rendimiento superior del modelo combinado.
• El análisis de la curva de decisión apoyó el valor clínico del enfoque conjunto.

Conclusiones:

• La integración de la radiómica y el aprendizaje profundo proporciona una herramienta poderosa para la predicción preoperatoria del crecimiento de SSN.
• Este enfoque combinado muestra un potencial significativo para mejorar el manejo clínico del adenocarcinoma pulmonar.