Modelo multiómico basado en aprendizaje profundo para la estratificación del riesgo de metástasis postoperatoria...

Área de la Ciencia:

• En el campo de la oncología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• El cáncer colorrectal (CRC) plantea un desafío significativo para predecir la metástasis distante (DM) postoperatoria y la supervivencia.
• El pronóstico preciso es crucial para adaptar las estrategias de tratamiento y mejorar los resultados de los pacientes.

Objetivo del estudio:

• Desarrollar y validar modelos multiómicos basados en el aprendizaje profundo para predecir la DM en pacientes con CCR.
• Evaluar la eficacia de estos modelos para evaluar el pronóstico de supervivencia y la estratificación del riesgo.

Principales métodos:

• Análisis retrospectivo de 521 pacientes con CCR con datos de histopatología preoperatoria y postoperatoria.
• Desarrollo de modelos radiómicos de aprendizaje profundo (DLRS) y de modelos patómicos de aprendizaje profundo (DLPS) utilizando una red troncal ResNet-101.
• Integración de características radiológicas y patológicas en dos modelos de nomograma para la predicción y la estratificación del riesgo.

Principales resultados:

• Los modelos de aprendizaje profundo (DLRS, DLPS) lograron un alto rendimiento predictivo (AUC > 0,91) para la DM.
• Los modelos integrados de nomograma demostraron una precisión superior (AUC > 0,93) en comparación con los modelos convencionales.
• Los nomogramas efectivamente estratificaron la supervivencia libre de enfermedad a los 3 años (DFS) en el análisis de Kaplan-Meier.

Conclusiones:

• Los modelos multiómicos basados en aprendizaje profundo ofrecen una alta precisión para predecir la DM postoperatoria en el CCR.
• Los modelos Nomogram proporcionan una estratificación de riesgo confiable para el DFS, ayudando en la toma de decisiones clínicas para pacientes con CCR.