Modelo de RM basado en aprendizaje profundo para predecir el carcinoma hepatocelular con mutación P53

Área de la Ciencia:

• Radiología e Imagen Médica
• Inteligencia Artificial en Medicina
• Oncología

Sus antecedentes:

• El carcinoma hepatocelular (CHC) con mutación P53 es agresivo, está relacionado con el factor de crecimiento endotelial vascular (VEGF) y una mayor densidad microvascular.
• La predicción del estado de mutación P53 en el CHC es crucial para las terapias dirigidas y la mejora de los resultados del paciente.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo que utilice datos de RM para la predicción no invasiva de CHC con mutación P53.
• Comparar el rendimiento de secuencias de RM únicas frente a secuencias combinadas en la predicción del estado de mutación P53.

Principales métodos:

• Análisis retrospectivo de 312 pacientes con CHC confirmado patológicamente que se sometieron a RM con contraste de gadolinio.
• Desarrollo de un modelo de aprendizaje profundo basado en EfficientNetV2 utilizando secuencias de fase arterial (AP), fase venosa portal (VP), imagen ponderada en T2 (T2WI) y fase hepatobiliar (HBP).
• Evaluación del rendimiento del modelo utilizando AUC, precisión, sensibilidad, especificidad, precisión y puntuación F1, con la prueba de Delong para comparaciones de AUC.

Principales resultados:

• El modelo combinado multifásico (T2WI+AP+VP) superó significativamente a los modelos de secuencia única, logrando un AUC de 0.914 en el conjunto de datos de prueba.
• El modelo de fase hepatobiliar (HBP) mostró el mejor rendimiento entre los modelos de secuencia única (AUC=0.715).
• La incorporación de HBP en el modelo combinado no mejoró significativamente el rendimiento predictivo (P>0.05).

Conclusiones:

• Un modelo de aprendizaje profundo que integra secuencias de RM T2WI, AP y VP es altamente efectivo para predecir el CHC con mutación P53.
• Este enfoque impulsado por IA ofrece una herramienta no invasiva prometedora para identificar variantes agresivas de CHC.
• Investigaciones futuras pueden explorar secuencias o características adicionales para mejorar potencialmente la precisión predictiva.