Video Experimental Relacionado
Updated: Jan 14, 2026
06:08
A Cognitive Fusion-guided Prostate Biopsy Using Multiparametric Magnetic Resonance Imaging and Transrectal Ultrasound
Published on: March 21, 2025
1.1K
Aprendizaje adaptativo de conjuntos para la clasificación de cáncer de próstata en resonancia magnética multimodal:
Samet Aymaz1, Nur Kara Oğuz2, Şeyma Aymaz3
1Department of Computer Engineering, Trabzon University, Trabzon, Türkiye. sametaymaz@trabzon.edu.tr.
BMC medical imaging
|January 12, 2026
Resumen
Este estudio desarrolló un modelo adaptativo de conjuntos ponderados para la detección de cáncer de próstata utilizando resonancia magnética multimodal. El modelo reduce significativamente las biopsias innecesarias manteniendo una alta precisión en la identificación de lesiones PI-RADS 3-5.
Área de la Ciencia:
- Imágenes Médicas
- Inteligencia Artificial
- Oncología
Sus antecedentes:
- El diagnóstico del cáncer de próstata se basa en la resonancia magnética multiparamétrica (mpMRI) y la biopsia.
- La clasificación precisa de las lesiones PI-RADS 3-5 es crucial para evitar procedimientos invasivos innecesarios.
- Los métodos diagnósticos actuales pueden mejorarse para obtener mejores resultados para los pacientes.
Objetivo del estudio:
- Desarrollar y evaluar un modelo adaptativo de aprendizaje de conjuntos ponderados para la clasificación de lesiones de próstata PI-RADS 3-5 mediante resonancia magnética multimodal.
- Mejorar la precisión de la detección del cáncer de próstata y reducir las biopsias invasivas.
- Integrar múltiples extractores de características de Redes Neuronales Convolucionales (CNN) para mejorar el rendimiento diagnóstico.
Principales métodos:
- Se realizó un estudio retrospectivo con 196 pacientes con lesiones PI-RADS 3-5.
- Se emplearon cinco extractores de características CNN (MobileNet_v2, VGG16, DenseNet121, EfficientNet_b0, ResNet50) dentro de un modelo adaptativo de conjuntos ponderados.
- El modelo integró la ponderación dinámica de las secuencias de resonancia magnética DCE, DWI y T2 ponderada, evaluado mediante validación cruzada de 5 pliegues con aumento de datos y balanceo ADASYN.
Principales resultados:
- VGG16 logró la mayor precisión diagnóstica (99,0%) y AUC (99,9%).
- El modelo de conjuntos mostró una especificidad superior (98,9%) en comparación con las recomendaciones de los radiólogos, manteniendo una alta sensibilidad (99,1%).
- La ponderación dinámica destacó las secuencias DCE (41,6%), T2 ponderada (33,9%) y DWI (24,6%) como las más significativas.
Conclusiones:
- El modelo adaptativo de conjuntos ponderados demostró un rendimiento diagnóstico superior para la clasificación del cáncer de próstata.
- El modelo muestra un potencial significativo para reducir las biopsias innecesarias de próstata manteniendo una alta sensibilidad para la detección del cáncer.
- Este enfoque puede mejorar la eficiencia del diagnóstico del cáncer de próstata y apoyar la toma de decisiones clínicas.
