Video Experimental Relacionado
Updated: Sep 9, 2025
Author Spotlight: Integrating High-Resolution Intravital Imaging and MRI to Enhance Stereotactic Body Radiation Therapy Planning
Published on: April 12, 2024
Radiomía a nivel de voxel y aprendizaje profundo basado en resonancia magnética para predecir la inestabilidad de los
Chen-Hong Tian1, Peng Sun2, Ke-Yuan Xiao3
1Department of Radiology, Changzhi People's Hospital, Changzhi 046000, Shanxi, China (C-h.T., X-f.N.).
Un nuevo modelo de aprendizaje profundo que utiliza la radiómica a nivel de voxel y la resonancia magnética predice con precisión el estado de inestabilidad de microsatélites (MSI) en pacientes con carcinoma endometrial (EC) de manera no invasiva. Esta herramienta ayuda a tomar decisiones de tratamiento personalizadas mediante el análisis de la heterogeneidad del tumor.
Área de la Ciencia:
- En el campo de la oncología
- Radiología
- Inteligencia artificial
Sus antecedentes:
- La inestabilidad de los microsatélites (MSI) es un biomarcador crucial para la selección del tratamiento del carcinoma endometrial (CE).
- Se necesita una predicción no invasiva precisa del estado de la ISM para guiar el tratamiento personalizado.
Objetivo del estudio:
- Desarrollar y validar un modelo de aprendizaje profundo que integre la radiómica a nivel de voxel y la resonancia magnética de múltiples secuencias para la predicción no invasiva del estado de la ISM en la CE.
- Evaluar el rendimiento del modelo con respecto a los métodos existentes y evaluar su interpretabilidad.
Principales métodos:
- Un estudio retrospectivo en dos centros con 375 pacientes de EC con resonancia magnética multiparamétrica preoperatoria (T2WI, DWI, CE-T1WI).
- Las características radiómicas a nivel de Voxel se extrajeron y procesaron utilizando una red neuronal profunda 3D de doble canal (arquitectura Vision-Mamba).
- El entrenamiento y la validación del modelo se realizaron en cohortes internas y externas, con comparaciones con Vision Transformer, 3D-ResNet y radiómica tradicional.
Principales resultados:
- El modelo Vision-Mamba demostró un fuerte rendimiento predictivo, logrando un AUC de 0,866 en la cohorte de prueba externa.
- El modelo superó a otros métodos evaluados para predecir el estado de MSI.
- El análisis de interpretabilidad destacó las características radiómicas clave y las características tumorales derivadas de la resonancia magnética que son cruciales para la predicción.
Conclusiones:
- El modelo de radiómica y aprendizaje profundo a nivel de voxel propuesto ofrece un método robusto y no invasivo para predecir el estado de MSI en la CE.
- Este enfoque tiene el potencial de apoyar significativamente las estrategias de tratamiento personalizado para pacientes con carcinoma endometrial.
