Predicción basada en el aprendizaje automático de la metástasis y el volumen de los ganglios linfáticos utilizando...

Área de la Ciencia:

• En el campo de la oncología
• Imágenes médicas
• Aprendizaje automático

Sus antecedentes:

• El carcinoma papilar de tiroides (PTC) con frecuencia incluye metástasis en los ganglios linfáticos cervicales.
• La evaluación preoperatoria precisa de la extensión de la metástasis es crucial para la planificación quirúrgica.
• Los métodos actuales pueden no capturar completamente los matices de la participación de los ganglios linfáticos.

Objetivo del estudio:

• Desarrollar y validar modelos de aprendizaje automático para predecir la metástasis de los ganglios linfáticos cervicales y el volumen metastásico en PTC.
• Para integrar las características del ultrasonido preoperatorio en algoritmos predictivos.
• Mejorar la precisión de la planificación quirúrgica para pacientes con PTC.

Principales métodos:

• Análisis retrospectivo de 573 pacientes con PTC.
• Selección de características mediante análisis univariado y de regresión logística (LR) (p < 0,05).
• Desarrollo de modelos predictivos que utilizan algoritmos de K-Nearest Neighbors (KNN), Gradient Boosting Machine (XGBoost) y Support Vector Machine (SVM) para el cálculo de la velocidad de las ondas.
• Evaluación del rendimiento utilizando la curva ROC, la sensibilidad, la especificidad y la precisión en una cohorte de validación.

Principales resultados:

• El modelo Gradient Boosting mostró el mejor rendimiento para predecir metástasis de ganglios linfáticos (AUC: 0,784, precisión: 73,8%).
• El modelo Gradient Boosting también sobresalió en la predicción del volumen metastásico (AUC: 0,779, precisión: 74,4%).
• El estudio incluyó a 320 pacientes con metástasis en los ganglios linfáticos, categorizados por volumen.

Conclusiones:

• Los modelos de aprendizaje automático que integran las características de ultrasonido preoperatorio predicen efectivamente el riesgo de metástasis de ganglios linfáticos en PTC.
• Estos modelos pueden optimizar la planificación quirúrgica, guiar la extensión de la disección de los ganglios linfáticos y personalizar el tratamiento.
• Este enfoque basado en datos ofrece un paradigma para la evaluación del riesgo preoperatorio en oncología tiroidea.