Integración de Datos Genómicos e Imágenes en la Predicción del Cáncer de Pulmón Mediante un Enfoque Híbrido de...

Área de la Ciencia:

• Oncología
• Imágenes Médicas
• Bioinformática

Sus antecedentes:

• El cáncer de pulmón es una de las principales causas de mortalidad por cáncer a nivel mundial.
• La complejidad de los datos genómicos plantea desafíos para la predicción precisa del cáncer de pulmón.
• Se necesitan urgentemente métodos diagnósticos y predictivos mejorados.

Objetivo del estudio:

• Desarrollar un modelo híbrido de aprendizaje profundo para la predicción del cáncer de pulmón.
• Integrar datos genómicos e de imagen para mejorar la precisión.
• Superar los desafíos de los datos genómicos de alta dimensionalidad en la predicción.

Principales métodos:

• Se utilizó el conjunto de datos LIDC-IDRI que incluye datos de imagen y genómicos.
• Se aplicó el preprocesamiento LoGF a las imágenes de TC para mejorar las características.
• Se empleó aprendizaje profundo híbrido con la arquitectura Inception-ResNet-v2.

Principales resultados:

• Se extrajeron características de imagen utilizando análisis de textura, descriptores de forma e imágenes DCE.
• Se logró una alta precisión diagnóstica para la predicción del cáncer de pulmón.
• El modelo Inception-ResNet-v2 demostró una precisión del 92,5 %.

Conclusiones:

• El modelo híbrido de aprendizaje profundo mejora significativamente la precisión de la predicción del cáncer de pulmón.
• La arquitectura Inception-ResNet-v2 es eficaz para el análisis de datos integrados.
• El trabajo futuro puede incorporar registros médicos electrónicos y factores de estilo de vida.