Modelo de aprendizaje profundo basado en RM longitudinal para predecir la respuesta patológica completa en el cáncer...

Área de la Ciencia:

• Radiología e Imagen Médica
• Inteligencia Artificial en Medicina
• Oncología

Sus antecedentes:

• La predicción temprana de la respuesta a la terapia neoadyuvante (NAT) es vital para adaptar el tratamiento del cáncer de mama.
• Los métodos actuales pueden carecer de la capacidad de utilizar completamente los datos longitudinales para la evaluación dinámica de los cambios tumorales.

Objetivo del estudio:

• Desarrollar y validar un novedoso marco de aprendizaje temporal de autorrevelación mamaria (BSTNet) para predecir la respuesta patológica completa (RPC) a la NAT.
• Evaluar la generalización y el rendimiento de BSTNet en cohortes multicéntricas y diversos subtipos moleculares.

Principales métodos:

• Se utilizó un marco de aprendizaje temporal de autorrevelación (BSTNet) en datos de RM longitudinales de 1339 pacientes.
• Se emplearon estrategias de validación interna y externa multicéntricas.
• Se realizaron análisis de subgrupos basados en subtipos moleculares y tiempos de RM.

Principales resultados:

• BSTNet logró un alto rendimiento predictivo con AUCs de 0.882 (interno) y 0.857-0.854 (validación externa).
• Se observó un rendimiento consistente en diferentes subtipos moleculares (AUCs 0.818-0.895).
• El modelo demostró una especificidad robusta en la identificación de pacientes sin RPC (74.5%-86.4%).

Conclusiones:

• BSTNet ofrece una solución de aprendizaje profundo robusta y generalizable para la predicción temprana de RPC en el cáncer de mama.
• La capacidad del marco para interpretar datos de RM longitudinales variables apoya la planificación adaptativa del tratamiento en la práctica clínica.