Optimización de la predicción de recurrencia y estratificación de riesgos en el cáncer de próstata mediante un modelo...

Área de la Ciencia:

• Imagenología Médica; Inteligencia Artificial; Oncología

Sus antecedentes:

• La recurrencia del cáncer de próstata (PCa) después de la cirugía es un desafío clínico importante.; La predicción precisa de la recurrencia bioquímica (BCR) es crucial para el manejo del paciente.; Los métodos de predicción actuales requieren mejoras para una mayor precisión.

Objetivo del estudio:

• Desarrollar y validar un modelo de fusión de aprendizaje profundo (DLF) para la predicción preoperatoria de BCR en PCa.; Evaluar la capacidad del modelo DLF para la estratificación de riesgos.; Comparar el rendimiento del modelo DLF con los modelos clínicos y de aprendizaje automático existentes.

Principales métodos:

• Se desarrolló un modelo de aprendizaje profundo (DL) basado en Transformer utilizando datos de resonancia magnética multiparamétrica (RMmp) (T2WI, ADC, DWI, CE-T1WI).; Un modelo DLF integró puntuaciones DL con variables clínicas.; Se evaluó el rendimiento utilizando curvas ROC, prueba de DeLong, DCA y curvas de calibración en una cohorte de 923 pacientes con PCa.

Principales resultados:

• El modelo DLF logró un alto rendimiento predictivo con AUC de 0.938 (validación interna) y 0.935 (conjunto de prueba externo).; El modelo DLF superó significativamente a los modelos clínicos (CAPRA, Clínico) y a otros modelos de aprendizaje automático.; El modelo DLF estratificó eficazmente a los pacientes en grupos de alto y bajo riesgo, demostrando diferencias pronósticas significativas.

Conclusiones:

• El modelo DLF desarrollado muestra un gran potencial para predecir la recurrencia posoperatoria temprana en PCa.; Este enfoque impulsado por IA puede ayudar a identificar pacientes de alto riesgo para un tratamiento y vigilancia personalizados.; El modelo DLF ofrece una herramienta valiosa para optimizar las estrategias de manejo del cáncer de próstata.