Video Experimental Relacionado
Updated: Jul 10, 2026
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Modelos de pronóstico de radiomía de aprendizaje automático basado en resonancia magnética multiparamétrica para el
Xinyue Liang1,2,3, Fei Wu1,2,3, Xinde Zheng1,2,3
1Shanghai Institute of Medical Imaging, Shanghai, People's Republic of China.
Los modelos radiómicos de aprendizaje automático mejoran la estratificación del riesgo para el carcinoma hepatocelular multifocal (MHCC) más allá de los criterios de Milán. Estos modelos mejoran la predicción de la supervivencia global y la supervivencia libre de recurrencia para obtener mejores resultados para los pacientes.
Área de la Ciencia:
- Malignidades hepáticas y biliares
- Imágenes médicas y radiómica
- Aprendizaje automático en oncología
Sus antecedentes:
- El carcinoma hepatocelular multifocal (MHCC) más allá de los criterios de Milán presenta un desafío para una estratificación precisa del riesgo preoperatorio.
- Es posible que los modelos existentes no reflejen plenamente la complejidad del pronóstico de la CMH avanzada.
- Se necesitan nuevos enfoques para mejorar la predicción de la supervivencia en estos pacientes.
Objetivo del estudio:
- Desarrollar y validar modelos radiómicos de aprendizaje automático para la estratificación del riesgo preoperatorio de la CMH.
- Identificar los distintos subtipos de pacientes basados en la radiómica para el CCHM.
- Evaluar el valor añadido de la radiómica en la predicción de la supervivencia global (SO) y la supervivencia libre de recurrencia (SVR) más allá de los criterios convencionales.
Principales métodos:
- Análisis retrospectivo de 156 pacientes con CMH más allá de los criterios de Milán utilizando resonancia magnética multiparámetrica (RMMP).
- Extracción de características radiómicas de las regiones tumorales y peritumorales.
- Aplicación de la agrupación espectral para la identificación de subtipos y aumento de gradiente extremo (XGBoost) - Regresión de Cox de LASSO para la generación de puntuación de riesgo.
Principales resultados:
- Se identificaron dos subtipos distintos de pacientes basados en la radiómica, con un subtipo que mostró una OS y RFS significativamente peores.
- Los modelos combinados que incorporaron predictores radiómicos demostraron una mejor predicción de OS (índice C: 0.712 entrenamiento, 0.710 validación) y predicción de RFS (índice C: 0.735 entrenamiento, 0.698 validación).
- Los modelos lograron un buen rendimiento predictivo para la OS a 5 años (AUC: 0,77 entrenamiento, 0,75 validación) y RFS (AUC: 0,81 entrenamiento, 0,76 validación).
Conclusiones:
- Los modelos de radiomía de aprendizaje automático que integran características derivadas de la RMN mp predicen efectivamente los resultados en pacientes con CCHM más allá de los criterios de Milán.
- Estos modelos ofrecen una mejor estratificación del riesgo preoperatorio en comparación con los métodos convencionales.
- Los hallazgos apoyan el uso de la radiómica para la planificación del tratamiento personalizado en CCHM avanzada.
