Inteligencia Artificial Interpretable para Asistir en la Predicción de Respuesta al Tratamiento en Cáncer de Recto...

Área de la Ciencia:

• Oncología
• Radiología
• Inteligencia Artificial

Sus antecedentes:

• La evaluación preoperatoria de la respuesta patológica completa (pCR) es crucial para la preservación anorrectal en el cáncer de recto localmente avanzado (LARC).
• La asistencia actual de IA para la predicción de pCR enfrenta desafíos en la validación prospectiva y la interpretabilidad.

Objetivo del estudio:

• Desarrollar y validar un modelo de IA interpretable (RAPIDS-II) para la evaluación preoperatoria de pCR en pacientes con LARC.
• Evaluar el rendimiento de RAPIDS-II en la predicción de pCR y su impacto en la toma de decisiones clínicas.

Principales métodos:

• Se entrenó una Red de Encogimiento Profundo Residual (DRSN) con características radiómicas de imágenes de resonancia magnética.
• Un modelo multimodal, RAPIDS-II, integró el Radscore de DRSN con factores clinicopatológicos.
• El rendimiento del modelo se validó retrospectivamente, en un conjunto de pruebas y prospectivamente en un ensayo multicéntrico.

Principales resultados:

• RAPIDS-II demostró un rendimiento robusto en la predicción de pCR con un AUC de 0.795 en la cohorte de validación prospectiva.
• La herramienta de IA mejoró significativamente la precisión de la evaluación visual de los radiólogos, particularmente para los médicos jóvenes.
• Las explicaciones aditivas de Shapley (SHapley Additive exPlanations) confirmaron que Radscore es el principal contribuyente a las predicciones de RAPIDS-II.

Conclusiones:

• El modelo interpretable RAPIDS-II muestra un fuerte rendimiento en la evaluación de pCR para LARC.
• RAPIDS-II tiene el potencial de ayudar a los médicos a adaptar estrategias de terapia neoadyuvante individualizadas.
• La herramienta de IA es particularmente beneficiosa para los radiólogos con menos experiencia, mejorando la planificación del tratamiento.