Modelo de inteligencia artificial multimodal basado en TC para diferenciar sarcomas renales primarios de carcinomas...

Área de la Ciencia:

• Radiología e Imágenes Médicas
• Oncología
• Inteligencia Artificial en Medicina

Sus antecedentes:

• La distinción entre sarcomas renales primarios y carcinoma de células renales (CCR) es un desafío pero vital debido a las diferentes prognoses y tratamientos.
• La diferenciación preoperatoria precisa es esencial para las estrategias de manejo clínico apropiadas.

Objetivo del estudio:

• Desarrollar y evaluar un método diagnóstico utilizando tomografía computarizada (TC) y datos clínicos para la diferenciación preoperatoria de sarcomas renales primarios de CCR.
• Explorar la utilidad de los modelos de aprendizaje profundo (DL) en este desafío diagnóstico.

Principales métodos:

• Análisis retrospectivo de 85 pacientes (sarcoma renal primario y controles de CCR) con diagnóstico patológico.
• Desarrollo de un modelo clínico utilizando regresión logística sobre datos clínicos y hallazgos de TC.
• Entrenamiento y validación de modelos de aprendizaje profundo (DL) en 7482 imágenes de TC en las fases sin realce (UP), corticomedular (CMP) y nefrogénica (NP).

Principales resultados:

• El modelo clínico mostró un AUC de 0.77, con indicadores clave que incluyen arterias intratumorales e invasión de la fascia de Gerota.
• Los modelos de aprendizaje profundo (DL) demostraron un fuerte rendimiento, con el modelo de fase sin realce (UP) logrando un AUC de 0.95 y una precisión (ACC) de 0.94.
• Los modelos de DL combinados de UP y fase nefrogénica (NP) también arrojaron un alto rendimiento (AUC ≈ 0.95, ACC ≈ 0.94).

Conclusiones:

• Los modelos de inteligencia artificial (IA) multimodales diferencian eficazmente los sarcomas renales de los CCR.
• Estas herramientas diagnósticas impulsadas por IA pueden ayudar a los médicos a tomar decisiones informadas para el manejo individualizado de los pacientes.