Aprendizaje profundo multimodal robusto para la clasificación de subtipos de linfoma utilizando imágenes de...

Área de la Ciencia:

• Oncología
• Imágenes Médicas
• Inteligencia Artificial

Sus antecedentes:

• La clasificación de subtipos de linfoma utilizando imágenes PET 18F-FDG es un desafío debido a las inconsistencias y la variabilidad de las imágenes.
• Los métodos anteriores carecían de estandarización en protocolos, tipos de escáneres y datos interinstitucionales.
• Se propone un marco de aprendizaje profundo multimodal para abordar estas limitaciones.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje profundo para la clasificación jerárquica de subtipos de linfoma.
• Integrar características de imágenes PET armonizadas con información clínica estructurada.
• Superar la variabilidad interinstitucional y las inconsistencias de los escáneres en la clasificación del linfoma.

Principales métodos:

• Se recopilaron datos multicéntricos que incluyen imágenes PET 18F-FDG y variables clínicas.
• Se implementó un módulo de Normalización Condicionada por Escáner (SCN) para armonizar las distribuciones de características.
• Se utilizó un modelo de aprendizaje profundo multimodal que integra imágenes MIP anteriores y laterales con datos clínicos.

Principales resultados:

• Se logró un AUC de 0.89 (interno) y 0.84 (externo) para la clasificación de linfoma de Hodgkin vs. no Hodgkin.
• Se logró un AUC de 0.84 (interno) y 0.76 (externo) para la clasificación de DLBCL vs. FL.
• Se demostró un rendimiento robusto en cohortes de validación internas y externas.

Conclusiones:

• El aprendizaje profundo con 18F-FDG PET y datos clínicos muestra potencial para la clasificación de subtipos de linfoma.
• El marco propuesto, LymphoMAP, ofrece un paso hacia herramientas de asistencia para la toma de decisiones clínicas tempranas.
• Las canalizaciones automatizadas pueden apoyar, no reemplazar, los flujos de trabajo de diagnóstico convencionales en el manejo personalizado del linfoma.