Sistema de predicción de aprendizaje profundo en dos etapas para el estado de inestabilidad de microsatélites del...

Área de la Ciencia:

• Radiología
• Oncología
• Inteligencia Artificial

Sus antecedentes:

• La inestabilidad de microsatélites (MSI) es un biomarcador clave en el pronóstico y tratamiento del cáncer colorrectal.
• La identificación precisa del estado de MSI es crucial para la terapia personalizada contra el cáncer.
• Los métodos actuales para la detección de MSI pueden ser invasivos o consumir mucho tiempo.

Objetivo del estudio:

• Desarrollar y validar un enfoque novedoso de aprendizaje profundo en dos etapas para la identificación automatizada del estado de MSI en el cáncer de colon.
• Evaluar el rendimiento del modelo de aprendizaje profundo en la segmentación de lesiones de cáncer de colon y el diagnóstico del estado de MSI a partir de TC.
• Evaluar la precisión diagnóstica del modelo y comparar sus capacidades de segmentación con las de los radiólogos expertos.

Principales métodos:

• Se utilizó un conjunto de datos de 108 TC mejoradas de cáncer de colon.
• Se desarrolló un modelo de aprendizaje profundo en dos etapas: MSI-SAM para la segmentación de lesiones y un modelo de diagnóstico para la determinación del estado de MSI.
• El modelo procesó imágenes de TC originales y máscaras de segmentación para predecir el estado de MSI (MSI-H/MSS).

Principales resultados:

• El modelo de segmentación MSI-SAM demostró un alto rendimiento en diferentes segmentos del colon (DSC: 0,747-0,857).
• El modelo de diagnóstico del estado de MSI logró un AUC de 0,935, con una precisión de 0,913, una sensibilidad de 1,000 y una especificidad de 0,846.
• La segmentación por aprendizaje profundo logró resultados comparables a los de los radiólogos expertos.

Conclusiones:

• El modelo de aprendizaje profundo desarrollado identifica eficazmente el estado de MSI del cáncer de colon a partir de TC sin necesidad de segmentación manual.
• Los modelos de segmentación y diagnóstico impulsados por IA muestran un potencial significativo para apoyar la toma de decisiones clínicas en pacientes con cáncer de colon.
• Este enfoque automatizado ofrece una herramienta no invasiva prometedora para la evaluación del estado de MSI en oncología.