Mejora de la clasificación preoperatoria del estado HER2 de los cánceres de mama invasivos mediante modelos de...

Área de la Ciencia:

• Oncología; Radiología; Informática Biomédica

Sus antecedentes:

• El estado del gen del receptor del factor de crecimiento epidérmico humano 2 (HER2) es fundamental para la selección del tratamiento del cáncer de mama.; La clasificación preoperatoria precisa de HER2 sigue siendo un desafío en la práctica clínica.

Objetivo del estudio:

• Evaluar la eficacia de los modelos de aprendizaje automático en la predicción del estado del gen HER2 utilizando características clinicopatológicas y de resonancia magnética.; Desarrollar y validar modelos predictivos para la clasificación HER2 en el cáncer de mama.

Principales métodos:

• Un estudio retrospectivo de 1015 pacientes (1030 lesiones) utilizando conjuntos de entrenamiento, validación interna y externa.; Desarrollo de nomogramas y modelos predictivos (DT, SVM, k-NN, ANN, LR) basados en características clinicopatológicas y de resonancia magnética.; Evaluación del rendimiento mediante curvas ROC, análisis de curvas de decisión, curvas de calibración y análisis SHAP para la interpretabilidad.

Principales resultados:

• Los modelos de máquina de vectores de soporte (SVM) y redes neuronales artificiales (ANN) mostraron un alto rendimiento en el entrenamiento y la validación interna para la clasificación HER2-positivo/negativo.; El modelo de regresión logística (LR) demostró una generalización superior para la diferenciación HER2-bajo frente a HER2-cero en los conjuntos de validación.; Los nomogramas mejoraron la precisión diagnóstica para los radiólogos, especialmente los jóvenes. El análisis SHAP identificó características predictivas clave (por ejemplo, estado de PR, valores de ADC).

Conclusiones:

• La integración del aprendizaje automático con datos clinicopatológicos y de resonancia magnética mejora significativamente la precisión de la clasificación del estado HER2 en el cáncer de mama.; Estos modelos mejoran las capacidades diagnósticas de los radiólogos, lo que ayuda en la toma de decisiones clínicas y la planificación del tratamiento.