Un marco de aprendizaje profundo de segmentación y clasificación en cascada para la predicción preoperatoria de...

Área de la Ciencia:

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

Sus antecedentes:

• El cáncer gástrico avanzado (GC) plantea desafíos para predecir la metástasis peritoneal oculta (OPM) y la recurrencia peritoneal temprana (PR).
• La estratificación precisa del riesgo preoperatorio es crucial para las estrategias de tratamiento personalizado en pacientes con GC.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje profundo en cascada (DL, por sus siglas en inglés) para predecir OPM y PR temprana en GC avanzado.
• Integrar la segmentación del tumor y la estratificación del riesgo para mejorar la precisión de la predicción preoperatoria.

Principales métodos:

• Un estudio multicéntrico en el que participaron 765 pacientes con GC avanzada.
• Desarrollo de un marco de DL en dos etapas: segmentación tumoral V-Net seguida de una clasificación de riesgos basada en DL.
• Integración de predictores clínico-patológicos con probabilidades de DL para un modelo predictivo combinado.

Principales resultados:

• El modelo combinado logró altas AUC para la predicción de OPM (0,938 Train, 0,916 Test1) y la predicción temprana de PR (0,820-0,825 Test2/Test3).
• Se han demostrado mejoras significativas en comparación con los modelos clínicos y solo con DL para la predicción de OPM.
• Se identificaron el tipo de Borrmann, los niveles de CA125 y la etapa CT-N+ como predictores independientes de la OPM.

Conclusiones:

• El marco DL en cascada basado en CT proporciona una estratificación de riesgo preoperatorio confiable para el OPM y la PR temprana en GC avanzada.
• Este enfoque puede refinar potencialmente las indicaciones de tratamiento y personalizar las vías terapéuticas para los pacientes con GC.