Modelo híbrido de imagen y clínica para predecir la invasión microvascular en el carcinoma hepatocelular utilizando...

Área de la Ciencia:

• Radiología
• Oncología
• Imagen Médica
• Aprendizaje Automático

Sus antecedentes:

• El papel del tejido adiposo en la predicción de la invasión microvascular (MVI) en el carcinoma hepatocelular (HCC) no se comprende bien.
• La predicción precisa de MVI es crucial para el manejo y pronóstico de los pacientes con HCC.

Objetivo del estudio:

• Investigar el valor predictivo de las características del tejido adiposo para el estado de MVI en pacientes con HCC.
• Desarrollar y validar un modelo multimodal híbrido que integre aprendizaje profundo y aprendizaje automático para la predicción de MVI.

Principales métodos:

• Se utilizaron imágenes de TC mejoradas de 517 pacientes con HCC de dos centros.
• Se desarrolló un modelo que incorpora características de aprendizaje profundo del tejido adiposo y tumoral, junto con datos clínicos.
• Se evaluó el rendimiento del modelo utilizando AUC, análisis de curva de decisión y se comparó con las evaluaciones de radiólogos.

Principales resultados:

• El modelo híbrido que incorpora tejido adiposo logró un alto rendimiento (AUC en fase venosa: 0.866, AUC en fase arterial: 0.864).
• El rendimiento predictivo del modelo superó al de tres radiólogos.
• El tejido adiposo se identificó como un factor de riesgo significativo para predecir el estado de MVI, y su inclusión mejoró la precisión diagnóstica.

Conclusiones:

• Un modelo multimodal híbrido que integra características de tejido adiposo muestra un potencial significativo para mejorar el diagnóstico de MVI en HCC.
• La inclusión de datos de tejido adiposo mejora la precisión de la predicción de MVI, ofreciendo información valiosa para la toma de decisiones clínicas.
• El rendimiento del modelo sugiere que puede ayudar a identificar pacientes con HCC de alto riesgo, mejorando potencialmente los resultados de supervivencia.