Modelos de aprendizaje automático basados en radiómica para predecir alteraciones genómicas en el cáncer de próstata...

Área de la Ciencia:

• Oncología
• Radiología
• Genómica
• Aprendizaje automático

Sus antecedentes:

• La caracterización genómica es crucial para la oncología de precisión en el cáncer de próstata metastásico (CPNm).
• Se necesitan métodos no invasivos para predecir alteraciones genómicas en pacientes con CPNm.

Objetivo del estudio:

• Evaluar la viabilidad de utilizar el aprendizaje automático (ML) con radiómica y datos clínicos de imágenes de PET de PSMA.
• Predecir de forma no invasiva mutaciones genómicas clave en pacientes con CPNm.

Principales métodos:

• Análisis retrospectivo de 14 pacientes con CPNm con imágenes de PET/CT [18F]PSMA-1007.
• Extracción de características radiómicas de lesiones prostáticas y metastásicas segmentadas.
• Aplicación de seis algoritmos de ML con selección de características y validación cruzada para predecir alteraciones genómicas (TP53, TMPRSS2, PTEN, OTRAS).

Principales resultados:

• Los modelos de ML clínico-radiómicos demostraron una alta precisión predictiva para mutaciones comunes.
• Se lograron AUCs del 91,11 % para TP53, 84,44 % para TMPRSS2, 80,00 % para PTEN y 77,78 % para OTRAS mutaciones.
• Las características seleccionadas mostraron una estabilidad constante en las ejecuciones del modelo.

Conclusiones:

• Los modelos de ML que integran radiómica y datos clínicos de imágenes de PET de PSMA prometen predecir alteraciones genómicas accionables en CPNm.
• Este enfoque de radiogenómica puede servir como una herramienta no invasiva complementaria para el perfil molecular y las decisiones de tratamiento.
• Se necesita más investigación para validar e implementar estos modelos en la práctica clínica.