Marco de agente LLM multimodal para la toma de decisiones clínicas personalizada en carcinoma hepatocelular

Área de la Ciencia:

• Oncología
• Inteligencia Artificial
• Imágenes Médicas

Sus antecedentes:

• El tratamiento del carcinoma hepatocelular (CHC) es complejo debido a la heterogeneidad tumoral y la variabilidad del paciente.
• Las guías actuales carecen de personalización, lo que limita la precisión del tratamiento.

Objetivo del estudio:

• Desarrollar un marco de IA integrado para recomendaciones de tratamiento personalizadas de CHC.
• Mejorar la precisión de la predicción de marcadores patológicos utilizando radiómica y aprendizaje profundo.
• Evaluar la relevancia clínica de las estrategias de tratamiento generadas por IA.

Principales métodos:

• Se entrenó un GhostNet modificado con módulos de atención en datos de RM para predecir invasión microvascular (MVI), presencia de cápsula y diferenciación tumoral.
• Un modelo de fusión integró radiómica y aprendizaje profundo para mejorar la predicción.
• Seis agentes de IA procesaron datos multimodales para generar planes de tratamiento individualizados, evaluados por cirujanos.

Principales resultados:

• El modelo de fusión mejoró significativamente la precisión de la predicción para MVI (0,8902) y la presencia de cápsula (0,8765).
• DeepSeek-R1 demostró la mayor relevancia clínica entre los agentes de IA evaluados.
• El marco mostró viabilidad para la toma de decisiones de CHC asistida por IA y específica del paciente.

Conclusiones:

• Los enfoques impulsados por IA y específicos del paciente prometen avanzar en la oncología de precisión en el CHC.
• Este marco integrado ofrece una nueva dirección para las estrategias de tratamiento del cáncer personalizadas.
• Se justifica una mayor validación de los agentes de IA para la implementación clínica.