Aplicación y validación del modelo radiómico multimodal basado en el aprendizaje automático para la predicción...

Área de la Ciencia:

• En el campo de la oncología
• Radiología
• La informática médica

Sus antecedentes:

• El carcinoma de tiroides papilar (PTC) con frecuencia hace metástasis a los ganglios linfáticos laterales (LLNM), aumentando la recurrencia y la mortalidad.
• Los métodos de diagnóstico actuales para LLNM en PTC tienen limitaciones, lo que lleva a diagnósticos perdidos y la necesidad de cirugías secundarias.
• La predicción preoperatoria precisa de LLNM es crucial para el manejo eficaz de la PTC.

Objetivo del estudio:

• Desarrollar y validar un modelo de predicción multimodal para la LLNM preoperatoria en pacientes con PTC.
• Integrar las características clínicas, radiómicas de ultrasonido y radiómicas de TC para una mayor precisión de predicción.
• Evaluar la utilidad clínica e interpretabilidad del modelo de predicción desarrollado.

Principales métodos:

• Análisis retrospectivo de los datos clínicos y las imágenes (ultrasonido, TC) de 799 pacientes con PTC.
• Selección de características utilizando regresión logística para los datos clínicos y regresión LASSO para las características radiómicas.
• Desarrollo y comparación de cuatro modelos de aprendizaje automático, con Gradient Boosting Machine (GBM) seleccionado por su rendimiento e interpretabilidad (SHAP, LIME).

Principales resultados:

• Se identificaron cinco factores de riesgo clínico independientes: diámetro del tumor, lesiones múltiples, ubicación del polo superior, disminución del recuento de monocitos y menor proporción de linfocitos a monocitos (LMR).
• El modelo GBM logró un alto rendimiento predictivo: AUC de 0,973 (entrenamiento), 0,803 (validación interna) y 0,975 (validación externa).
• El LMR fue identificado como el predictor más significativo por el análisis SHAP, destacando la interpretabilidad del modelo.

Conclusiones:

• El modelo multimodal basado en GBM desarrollado predice con precisión LLNM en pacientes con PTC preoperatorio.
• Esta herramienta no invasiva e interpretable facilita la evaluación del riesgo individualizado, reduciendo potencialmente las metástasis perdidas y las cirugías secundarias.
• El modelo respalda decisiones precisas de tratamiento y estrategias de gestión mejoradas para el PTC.