Aprendizaje profundo multimodal para la predicción del pronóstico del cáncer con integración de indicaciones de...

Área de la Ciencia:

• Oncología
• Bioinformática
• Imágenes Médicas

Sus antecedentes:

• La predicción precisa de la supervivencia del cáncer es esencial para la planificación del tratamiento y la evaluación de la eficacia.
• La heterogeneidad tumoral plantea importantes desafíos para una evaluación pronóstica precisa.
• El aprendizaje multimodal que integra imágenes, genómica y datos clínicos muestra una gran promesa para el pronóstico del cáncer.

Objetivo del estudio:

• Desarrollar un modelo integrado, SurvPGC, para mejorar el pronóstico del cáncer.
• Incorporar eficazmente los registros clínicos infrautilizados junto con datos de imágenes y genómicos.
• Mejorar la precisión de la predicción de la supervivencia del cáncer aprovechando datos multimodales.

Principales métodos:

• Se propuso el modelo SurvPGC que integra imágenes de patología, datos genómicos y registros clínicos.
• Se transformó la información clínica en vectores de alta dimensionalidad utilizando plantillas de texto y modelos fundacionales.
• Se utilizó un módulo de atención cruzada para la integración eficaz de diversas modalidades de datos.

Principales resultados:

• El modelo SurvPGC demostró una captura eficaz de características específicas de la modalidad en todos los conjuntos de datos.
• La visualización de la atención reveló áreas de enfoque distintas para diferentes tipos de datos, lo que indica una integración de características eficaz.
• La validación en tres conjuntos de datos del Atlas del Genoma del Cáncer confirmó el rendimiento del modelo.

Conclusiones:

• La integración de diversas fuentes de datos, incluidos los registros clínicos, mejora significativamente la predicción de la supervivencia del cáncer.
• El modelo SurvPGC ofrece un marco sólido para el pronóstico multimodal del cáncer.
• Destacando el papel fundamental de la información clínica en la mejora de la precisión pronóstica.