Fusión de modelos de aprendizaje automático mediante evaluación integral difusa para la predicción de riesgos de...

Área de la Ciencia:

• Oncología
• Imágenes Médicas
• Inteligencia Artificial

Sus antecedentes:

• El pronóstico del timoma mejora significativamente con la evaluación temprana del riesgo.
• La estratificación precisa del riesgo tumoral es crucial para la intervención clínica oportuna.

Objetivo del estudio:

• Desarrollar y validar un modelo de fusión de evaluación integral difusa (FCE-FM) para la evaluación temprana del riesgo de tumores de timoma.
• Integrar características de aprendizaje profundo y radiómicas multiplanares para mejorar la precisión predictiva.

Principales métodos:

• Un estudio retrospectivo incluyó a 286 pacientes con timoma en dos centros.
• Se desarrolló un FCE-FM, integrando cinco clasificadores (LR, SVM, XGBoost, LightGBM, GBDT) utilizando FCE, AHP y funciones de membresía triangular.
• La selección de características implicó la correlación de Spearman y la regresión LASSO, identificando 26 características de aprendizaje profundo, 4 características radiómicas y el género.

Principales resultados:

• El FCE-FM logró un alto rendimiento predictivo con AUCs de 0.982 (entrenamiento), 0.927 (prueba interna) y 0.895 (prueba externa).
• Las precisiones correspondientes fueron 0.949, 0.860 y 0.800, superando a los clasificadores de referencia.
• El análisis SHAP confirmó la importancia de las características y el modelo demostró robustez y estabilidad en la validación multicéntrica.

Conclusiones:

• El FCE-FM proporciona un marco confiable e interpretable para la evaluación temprana del riesgo de timoma.
• Esta herramienta permite una intervención oportuna, mejorando potencialmente el pronóstico del paciente.
• La validación multicéntrica del modelo destaca su robustez y aplicabilidad clínica.