Integración de surrogados de RM multifásica para mejorar la detección de invasión microvascular y la estratificación...

Área de la Ciencia:

• Investigación del Carcinoma Hepatocelular
• IA de Imagen Médica
• Biomarcadores Oncológicos

Sus antecedentes:

• La invasión microvascular (MVI) es fundamental para la recurrencia del CHC y los malos resultados.
• La detección preoperatoria precisa de la MVI sigue siendo un desafío clínico importante.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo para la predicción no invasiva de MVI en el CHC.
• Evaluar si el modelo puede estratificar el riesgo de recurrencia posoperatoria de manera más efectiva que la MVI basada en patología sola.

Principales métodos:

• Análisis retrospectivo de datos clinico-radiológicos de 924 pacientes con CHC en cinco centros.
• Desarrollo de un modelo de aprendizaje profundo (DL-TriFusion) que integra RM multifásica y variables clínicas.
• Validación externa del modelo en tres centros independientes.

Principales resultados:

• DL-TriFusion logró altos AUCs (0.957-0.959) para la predicción de MVI, superando a los modelos unimodales y bimodales.
• El modelo superó significativamente a la MVI basada en patología en la estratificación del riesgo de recurrencia (índices C 0.837/0.755 frente a 0.447/0.520).
• Se observó un rendimiento consistente en varios subgrupos de pacientes.

Conclusiones:

• DL-TriFusion proporciona una predicción preoperatoria robusta y no invasiva de MVI en el CHC.
• El modelo mejora la estratificación posoperatoria del riesgo de recurrencia tanto temprana como tardía.
• Esta herramienta tiene un gran potencial para la traslación clínica para optimizar el manejo del CHC.