Desarrollo y validación de múltiples algoritmos de aprendizaje automático para diferenciar el linfoma primario del...

Área de la Ciencia:

• Neuroimagen
• Oncología
• Inteligencia Artificial

Sus antecedentes:

• La diferenciación preoperatoria precisa entre el linfoma primario del sistema nervioso central (PCNSL) y el glioma difuso del adulto (ADG) es fundamental para guiar las intervenciones neuroquirúrgicas.
• Los métodos diagnósticos existentes pueden tener limitaciones para distinguir entre estas dos afecciones preoperatoriamente.

Objetivo del estudio:

• Desarrollar y validar un modelo interpretable de fusión radiómica-clínica (Rad-Clinic) basado en imágenes de resonancia magnética (RM).
• Diferenciar PCNSL de ADG utilizando siete algoritmos de aprendizaje automático.

Principales métodos:

• Un estudio retrospectivo incluyó a 165 pacientes con PCNSL y ADG de dos instituciones.
• Se analizaron secuencias de RM convencionales (CET1WI, FLAIR, DWI, ADC) para obtener características radiómicas.
• Se construyó un modelo de fusión Rad-Clinic que incorpora características radiómicas y parámetros clínicos, con explicaciones aditivas de SHapley (SHAP) para la interpretabilidad.

Principales resultados:

• El modelo de fusión Rad-Clinic logró un alto rendimiento diagnóstico, con AUC de 0.973 para la cohorte de entrenamiento y 0.940 para la cohorte de validación externa.
• El modelo de fusión superó a los modelos radiómicos y clínicos en la diferenciación de PCNSL de ADG.
• El análisis SHAP proporcionó información sobre las contribuciones de las características y se desarrolló un nomograma radiómico visual para la aplicación clínica.

Conclusiones:

• Un modelo interpretable de fusión Rad-Clinic ofrece una diferenciación preoperatoria precisa de PCNSL de ADG.
• Este modelo tiene el potencial de mejorar la toma de decisiones clínicas en neurocirugía.