Revolución en el diagnóstico de nódulos tiroideos en la tiroiditis de Hashimoto: modelo de radiómica e aprendizaje...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial en Medicina
• Oncología

Sus antecedentes:

• La distinción entre nódulos tiroideos benignos y malignos (NT) en la tiroiditis de Hashimoto (TH) es clínicamente desafiante.
• Los métodos diagnósticos actuales pueden requerir procedimientos invasivos con riesgo de complicaciones.

Objetivo del estudio:

• Evaluar la eficacia diagnóstica de los modelos de IA que utilizan características de radiómica y aprendizaje profundo (DL) para los nódulos tiroideos (NT) en la tiroiditis de Hashimoto (TH).
• Comparar el rendimiento del modelo de IA con la citología por aspiración con aguja fina (BAAF) con prueba BRAFV600E.

Principales métodos:

• Análisis de 1585 pacientes con TH e imágenes de ultrasonido.
• Extracción de características de radiómica y DL utilizando redes neuronales convolucionales.
• Desarrollo de modelos de DL-radiómica (DLR) con selección de características (LASSO) y aprendizaje automático.
• Evaluación del rendimiento utilizando AUC, precisión, sensibilidad, especificidad y estudios de lectores.

Principales resultados:

• El modelo DLR demostró un alto rendimiento diagnóstico (AUC de hasta 0.917 en validación).
• El modelo DLR superó a los médicos junior y mostró resultados comparables a la biopsia por aspiración con aguja fina.
• Los métodos SHAP y Grad-CAM proporcionaron información interpretable sobre las predicciones del modelo.

Conclusiones:

• El modelo DLR, mejorado por SHAP y Grad-CAM, mejora la precisión diagnóstica de los NT en la TH.
• Este enfoque de IA ofrece una eficacia diagnóstica comparable a la citología por BAAF, lo que podría reducir las biopsias innecesarias.
• El modelo ayuda a los médicos en la toma de decisiones personalizadas para biopsias y tratamiento.