Un marco multicéntrico de aprendizaje profundo que integra radiómica y transformadores de visión para el análisis...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Oncología

Sus antecedentes:

• El diagnóstico y pronóstico del cáncer de ovario dependen en gran medida de la interpretación de imágenes.
• Los métodos actuales pueden sufrir de variabilidad interobservador.
• El aprendizaje profundo ofrece potencial para un análisis estandarizado y preciso.

Objetivo del estudio:

• Desarrollar y validar un pipeline multicéntrico de aprendizaje profundo para el análisis de tumores ováricos.
• Integrar características radiómicas y profundas de ultrasonido.
• Permitir la segmentación, clasificación y predicción pronóstica.

Principales métodos:

• Análisis retrospectivo de 3156 casos de ultrasonido en 8 centros.
• Se entrenaron 5 redes de segmentación (p. ej., UNETR) y se extrajeron características radiómicas/profundas (p. ej., ResNet, ViT).
• Se utilizaron clasificadores (p. ej., TabTransformer) para la categorización multiclase y regresión para la predicción de la supervivencia libre de progresión.

Principales resultados:

• UNETR logró una precisión de segmentación del 96,2%.
• El modelo de características combinadas con TabTransformer alcanzó un AUC externo del 95,8% para la clasificación.
• TabTransformer demostró una sólida predicción pronóstica (C-index: 0,847).

Conclusiones:

• El marco de aprendizaje profundo muestra potencial para reducir la variabilidad en el análisis de tumores ováricos.
• Apoya la toma de decisiones clínicas personalizadas en el cáncer de ovario.
• El pipeline demuestra un rendimiento robusto en múltiples centros.