Video Experimental Relacionado
Updated: May 1, 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
Aprendizaje profundo en imágenes de TC mejoradas: predicción de la profundidad de invasión del adenocarcinoma de
Wenya Lin1, Chengwei Liao2, Huang Su3
1Department of Ultrasonography, First Affiliated Hospital of Wenzhou Medical University, Wenzhou, China.
Un nuevo modelo de aprendizaje profundo, RectoDepthAI, evalúa con precisión la profundidad de invasión del adenocarcinoma de recto mediante TC. Esta herramienta de IA ayuda a distinguir entre etapas tempranas y avanzadas, mejorando la precisión diagnóstica para una mejor toma de decisiones sobre el tratamiento.
Área de la Ciencia:
- Radiología e Imágenes Médicas
- Inteligencia Artificial en Oncología
- Aprendizaje Profundo para Diagnóstico Médico
Sus antecedentes:
- La evaluación precisa de la profundidad de invasión tumoral es fundamental para la estadificación del adenocarcinoma de recto.
- La distinción entre invasión temprana (submucosa/propia muscular) y avanzada (pararrectal/estructura adyacente) afecta las estrategias de tratamiento.
Objetivo del estudio:
- Desarrollar y evaluar RectoDepthAI, un modelo de aprendizaje profundo para evaluar la profundidad de invasión tumoral en el adenocarcinoma de recto utilizando imágenes de TC mejoradas.
- Diferenciar entre etapas tempranas y avanzadas del cáncer de recto de forma no invasiva.
- Mejorar la precisión diagnóstica en la estadificación del cáncer de recto.
Principales métodos:
- RectoDepthAI utiliza ResNet-18 para la extracción de características y Long Short-Term Memory (LSTM) para el análisis secuencial de cortes de TC.
- Se utilizó un conjunto de datos de 934 pacientes, con preprocesamiento de datos, aumento y validación cruzada de 5 veces.
- Se empleó Gradient-weighted Class Activation Mapping (Grad-CAM) para la interpretabilidad del modelo.
Principales resultados:
- RectoDepthAI logró un AUC promedio de 0.883, una precisión del 84.1%, una sensibilidad del 87.0% y una especificidad del 80.0% en cinco rondas de validación.
- El modelo demostró un rendimiento sólido en la distinción de las profundidades de invasión del tumor.
- Grad-CAM proporcionó una interpretabilidad mejorada para las predicciones diagnósticas.
Conclusiones:
- RectoDepthAI muestra una promesa significativa como herramienta no invasiva para la estadificación del adenocarcinoma de recto.
- El modelo puede mejorar la precisión diagnóstica, ayudando a los médicos en la toma de decisiones sobre el tratamiento.
- El análisis impulsado por IA de las imágenes de TC ofrece un enfoque valioso para el manejo del cáncer de recto.
Más Videos Relacionados
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
07:13Comparison of Predictive Performance of Three Lymph Node Staging Systems in Colorectal Signet Ring Cell Carcinoma Based on Machine Learning Model
Published on: April 18, 2025