Aprendizaje profundo interpretable para la estadificación T de cáncer gástrico multicéntrico a partir de imágenes de...

Área de la Ciencia:

• Oncología
• Radiología
• Inteligencia artificial

Sus antecedentes:

• La estadificación T preoperatoria del cáncer gástrico es crucial para la planificación del tratamiento.
• La interpretación convencional de la TC con contraste para la estadificación del cáncer gástrico carece de fiabilidad constante y es subjetiva.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje profundo automatizado e interpretable (GTRNet) para la estadificación T preoperatoria del cáncer gástrico utilizando imágenes de TC de rutina.
• Comparar el rendimiento de GTRNet con el de los radiólogos en la clasificación de las etapas del tumor.

Principales métodos:

• Se realizó un estudio multicéntrico retrospectivo que involucró a 1792 pacientes.
• GTRNet, un modelo de aprendizaje profundo de extremo a extremo, se entrenó con imágenes de TC sin segmentación ni anotación manual.
• Se evaluó el rendimiento del modelo en cohortes internas y dos cohortes externas independientes.

Principales resultados:

• GTRNet demostró una alta discriminación (AUC 0.86-0.95) y precisión (81-85%) tanto en cohortes de validación interna como externa.
• El modelo de aprendizaje profundo superó a los radiólogos humanos en la precisión de la estadificación T.
• La IA explicable (Grad-CAM) resaltó la atención a la pared gástrica y la serosa, mejorando la interpretabilidad.

Conclusiones:

• El marco GTRNet desarrollado ofrece una solución automatizada e interpretable para la estadificación T del cáncer gástrico basada en TC.
• Esta canalización tiene el potencial de estandarizar la estadificación preoperatoria y mejorar la selección de la terapia neoadyuvante.
• Un nomograma que combina la puntuación rad de GTRNet con factores clínicos mostró una utilidad clínica mejorada en comparación con los métodos convencionales.