Caracterización interpretable del contexto de la lesión guiada por la patofisiología y razonamiento de riesgos en MWA...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Oncología

Sus antecedentes:

• La predicción precisa de las complicaciones de la ablación por microondas (MWA) en el cáncer de pulmón no microcítico (CPNM) es un desafío debido a la anatomía compleja.
• Los médicos requieren justificaciones de decisión alineadas con la patofisiología, más allá de simples mapas de calor de características.

Objetivo del estudio:

• Validar un marco multitarea mejorado con atención utilizando un cuello de botella conceptual y un grafo de contexto de lesión.
• Proporcionar un razonamiento interpretable y consistente con la patofisiología para la caracterización de lesiones.
• Apoyar la predicción posterior de neumotórax, hemorragia y reacciones pleurales.

Principales métodos:

• Análisis retrospectivo de 184 casos de CPNM-MWA con TC y anotaciones expertas.
• Integración de una U-Net 3D mejorada con atención transespacial multiescala con cabezales multitarea.
• Introducción de una capa de cuello de botella conceptual, un grafo de contexto de lesión con paso de mensajes y una suite de evaluación de consistencia causal.

Principales resultados:

• Mantuvo el rendimiento de la segmentación anatómica (Dice: tumor 0.878, vasos 0.851, adherencias 0.863) y AUCs de multitarea (0.903/0.871/0.847).
• Demostró relaciones causales esperadas entre las características de imagen y los riesgos de complicaciones con bajas tasas de violación.
• Las ediciones contrafactuales produjeron cambios de riesgo consistentes en la dirección en más del 80% de los casos.

Conclusiones:

• La traducción de las características de imagen a marcos causales rastreables alinea la IA con la cognición clínica.
• El sistema híbrido ofrece diagnóstico interpretable del contexto de la lesión y razonamiento de riesgos confiable.
• Este enfoque mejora la confiabilidad de la IA y la utilidad clínica para la MWA de CPNM.