Video Experimental Relacionado
Updated: Jul 17, 2026
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Un estudio multicéntrico de un modelo predictivo de respuesta patológica completa después de la terapia neoadyuvante
Zixuan Yang1, Jie He2, Taolang Li3
1National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing 100021, China.
Este estudio desarrolló un modelo de IA para predecir la respuesta patológica completa (pCR) después de la terapia neoadyuvante (NAT) para el cáncer de mama. El modelo Clinical-Radiomics-Deep-Learning identifica con precisión a las pacientes que logran pCR, lo que ayuda en las decisiones de tratamiento.
Área de la Ciencia:
- Oncología
- Radiología
- Inteligencia Artificial
Sus antecedentes:
- La terapia neoadyuvante (NAT) es estándar para el cáncer de mama localmente avanzado.
- La predicción no invasiva de la respuesta patológica completa (pCR) después de la NAT es un desafío clínico crítico.
- La predicción precisa de pCR ayuda a adaptar las estrategias de tratamiento.
Objetivo del estudio:
- Desarrollar y validar un sistema de inteligencia artificial para la predicción precisa de pCR en pacientes con cáncer de mama sometidos a NAT.
- Evaluar la eficacia de un enfoque multimodal que combina características clínicas, de radiómica y de aprendizaje profundo.
Principales métodos:
- Análisis retrospectivo de 1.315 pacientes con cáncer de mama (estadio clínico I-III) con datos longitudinales multiparamétricos de RM y datos clinicopatológicos.
- Se utilizó radiómica, tecnología de redes neuronales convolucionales 3D y análisis estadístico para extraer y seleccionar características multimodales.
- Se desarrolló y validó un modelo Clinical-Radiomics-Deep-Learning (CRDL) que integra características de fusión multimodal.
Principales resultados:
- El modelo CRDL logró un alto rendimiento predictivo, con un AUC de 0.947 en la cohorte principal.
- La validación externa demostró un rendimiento sólido con valores de AUC de 0.857, 0.883 y 0.904 en tres cohortes independientes.
- El modelo predijo eficazmente los resultados de pCR basándose en la fusión de datos multimodales.
Conclusiones:
- El modelo CRDL muestra alta precisión y robustez en la predicción de pCR después de NAT utilizando datos multimodales.
- Este enfoque impulsado por IA ofrece una base sólida para la evaluación no invasiva de pCR en pacientes con cáncer de mama.
- Los hallazgos proporcionan información crítica para guiar la toma de decisiones clínicas en la planificación del tratamiento post-NAT.
