Video Experimental Relacionado
Updated: Jul 12, 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 radiómicos y de aprendizaje profundo basados en imágenes de resonancia magnética biparamétrica para predecir
1Department of Gastroenterology, Third Affiliated Hospital of Soochow University, Changzhou 213003, Jiangsu Province, China. zuoxueyong@outlook.com.
Este estudio desarrolló un modelo de nomograma utilizando datos de resonancia magnética biparamétrica para predecir la estratificación de alto riesgo de Ki-67 y la supervivencia libre de recidiva en pacientes con carcinoma hepatocelular (CCH). El nomograma mostró un fuerte rendimiento predictivo, ayudando a un mejor manejo del paciente.
Área de la Ciencia:
- Radiología y Oncología
- La inteligencia artificial en la medicina
- Biomarcadores del cáncer
Sus antecedentes:
- La incidencia del carcinoma hepatocelular (HCC) está aumentando a nivel mundial, lo que plantea un desafío clínico significativo.
- Una alta expresión de Ki-67 en HCC se correlaciona con un aumento de la recurrencia y resultados más pobres después del tratamiento.
- Los métodos actuales para predecir la estratificación del riesgo de Ki-67 y la supervivencia libre de recurrencia (RFS) mediante resonancia magnética biparamétrica (bpMRI) son limitados.
Objetivo del estudio:
- Desarrollar y validar un modelo predictivo de nomograma para la estratificación del riesgo de Ki-67 en HCC.
- Integrar las firmas de aprendizaje radiómico y de transferencia profunda (DTL) de bpMRI para una predicción mejorada.
- Evaluar la capacidad del nomograma para predecir la RFS en pacientes con CHC.
Principales métodos:
- Se analizó una cohorte de 198 pacientes con CHC con confirmación histopatológica y una resonancia magnética de la sangre antes de la operación.
- Las características radiómicas y DTL se extrajeron de la RMB en fase T2 y en fase arterial.
- Un algoritmo forestal aleatorio combinó características y el análisis multivariado identificó predictores para un modelo final de nomograma.
Principales resultados:
- El modelo de nomograma logró un AUC de 0,92 para predecir la estratificación de alto riesgo de Ki-67, superando únicamente a los modelos clínicos, radiómicos y DTL.
- El margen no suave y la ausencia de cápsula mejorada fueron predictores independientes de alto riesgo de Ki-67.
- El nomograma predijo con precisión la RFS, y los pacientes de alto riesgo mostraron una supervivencia significativamente más corta (33,53 meses frente a 66,74 meses).
Conclusiones:
- El modelo de nomograma desarrollado demuestra un rendimiento robusto para predecir la estratificación del riesgo de Ki-67 en HCC.
- Este enfoque integrado que utiliza firmas de bpMRI ofrece información pronóstica valiosa para la supervivencia de los pacientes con CHC.
- El nomograma puede ayudar a los médicos a estratificar a los pacientes con CHC y guiar las decisiones de tratamiento.
