Un marco novedoso de adquisición y modelado de datos médicos multimodales orientado a sensores para la clasificación...

Área de la Ciencia:

• Oncología
• Imagen Médica
• Aprendizaje Automático

Sus antecedentes:

• La oncología de precisión requiere el modelado conjunto de la clasificación del tumor y la respuesta al tratamiento utilizando datos multimodales.
• Los métodos actuales a menudo se basan en la clasificación invasiva y carecen de restricciones estructurales en la fusión multimodal.
• El modelado independiente de la clasificación y la respuesta limita la utilidad clínica.

Objetivo del estudio:

• Desarrollar un marco de modelado colaborativo multimodal guiado por la clasificación para la predicción integrada no invasiva de la clasificación del tumor y la respuesta al tratamiento.
• Habilitar el análisis de mecanismos interpretables para la oncología de precisión.
• Mejorar la toma de decisiones clínicas abordando las limitaciones de los enfoques existentes.

Principales métodos:

• Se utilizaron modelos de aprendizaje profundo (3D ResNet-18, MLP, CNN-Transformer) para la fusión de características multimodales y el modelado de la respuesta.
• Se incorporó la clasificación del tumor como una prioridad de supervisión débil dentro de un marco unificado.
• Se empleó un mecanismo de fusión de características guiado por la clasificación para enfatizar la información discriminatoria.

Principales resultados:

• Se logró una precisión del 84,6% y un kappa de 0,81 para la predicción de la clasificación del tumor, consistente con la clasificación patológica.
• Se obtuvo un AUC de 0,85, una precisión de 0,81 y una recuperación de 0,79 para la predicción de la respuesta al tratamiento, superando a los modelos existentes.
• Se identificaron subtipos estables sensibles y resistentes al tratamiento con diferencias significativas de estratificación.

Conclusiones:

• El marco propuesto ofrece una solución integrada para la predicción no invasiva de la clasificación y la respuesta al tratamiento.
• Se demostró el potencial para la evaluación del riesgo clínico y la toma de decisiones de tratamiento personalizadas en oncología.
• Se validó el valor de la fusión multimodal guiada por la clasificación para mejorar la atención del cáncer.