FLARE: Un marco de aprendizaje profundo multimodal habilitado por modelos fundacionales para la predicción pronóstica...

Área de la Ciencia:

• Oncología; Inteligencia Artificial; Imagenología Médica

Sus antecedentes:

• La predicción precisa del pronóstico del cáncer colorrectal es crucial para el tratamiento personalizado y la mejora de los resultados de los pacientes.
• Los métodos actuales tienen dificultades con la integración de datos multimodales y la falta de datos.
• Existe la necesidad de herramientas de IA avanzadas para mejorar la predicción del pronóstico del cáncer.

Objetivo del estudio:

• Presentar FLARE, un novedoso marco de aprendizaje profundo multimodal para el pronóstico del cáncer colorrectal.
• Aprovechar imágenes patológicas, imágenes radiológicas e informes de texto clínicos para la evaluación de riesgos.
• Abordar y mitigar los problemas de rendimiento causados por la falta de modalidades de datos.

Principales métodos:

• FLARE utiliza modelos fundacionales para una extracción de características eficiente.
• Un marco de múltiples ramas basado en atención mejora la sinergia y la distinción intermodal.
• Los indicadores conscientes de la modalidad y la falta de datos, los pseudo-embeddings y las estrategias de aumento manejan datos incompletos.

Principales resultados:

• FLARE demostró una capacidad pronóstica superior en una cohorte de 1679 pacientes.
• Logró el índice de concordancia más alto, superando a los modelos existentes.
• El marco estratificó eficazmente a los pacientes en grupos de alto y bajo riesgo con una generalización robusta.

Conclusiones:

• FLARE ofrece un marco robusto para el aprendizaje profundo multimodal en pronósticos médicos.
• Proporciona una herramienta de IA avanzada para el pronóstico de precisión del cáncer y el diagnóstico inteligente.
• El marco muestra un potencial significativo para optimizar las estrategias de tratamiento del cáncer colorrectal.