Aprendizaje profundo multimodal interpretable mejora la estratificación del riesgo posoperatorio en el...

Área de la Ciencia:

• Oncología
• Inteligencia Artificial
• Imágenes Médicas

Sus antecedentes:

• La resección quirúrgica es el principal tratamiento curativo para el colangiocarcinoma intrahepático (CCI).
• Las altas tasas de recurrencia posoperatoria en el CCI presentan un desafío clínico significativo.
• La predicción precisa de la recurrencia es crucial para el manejo efectivo del paciente.

Objetivo del estudio:

• Desarrollar un pipeline de aprendizaje profundo interpretable para predecir la recurrencia posoperatoria en el colangiocarcinoma intrahepático.
• Integrar datos multimodales que incluyen información clínica, radiómica y de histopatología.
• Validar biológicamente las predicciones del modelo utilizando multiómica espacial.

Principales métodos:

• Desarrollo de un pipeline de aprendizaje profundo basado en transformadores.
• Integración de variables clínicas, características radiómicas e imágenes de patología de porta completa.
• Fusión de un codificador preentrenado con una red transformadora.
• Aprovechamiento de la transcriptómica y proteómica espacial para la validación biológica.

Principales resultados:

• El modelo demostró un rendimiento sólido en la predicción de la supervivencia general a 2 años en tres cohortes de validación independientes.
• Se obtuvieron valores altos del Área Bajo la Curva (AUC), lo que indica una fuerte precisión predictiva.
• El análisis multiómico espacial reveló que la atención del modelo se centró en regiones asociadas con la invasión tumoral y el comportamiento agresivo.

Conclusiones:

• Se desarrolló un marco novedoso e interpretable de aprendizaje profundo multimodal para el colangiocarcinoma intrahepático.
• El marco logra una estratificación superior del riesgo posoperatorio para pacientes con CCI.
• La validación biológica del modelo proporciona información sobre los mecanismos que impulsan sus predicciones.