Aprendizaje profundo Identificación del carcinoma de células renales de células claras en imágenes de resonancia...

Área de la Ciencia:

• Radiología e Imágenes Médicas.
• La inteligencia artificial en la medicina.
• Oncología Oncología.

Sus antecedentes:

• El carcinoma renal de células claras (CCRCC) es el tipo más común de cáncer de riñón.
• La identificación precisa y no invasiva del ccRCC en la resonancia magnética es crucial para el manejo del paciente.
• Los algoritmos de diagnóstico existentes, como el puntaje de probabilidad de células claras (ccLS), ayudan a los radiólogos, pero pueden tener limitaciones.

Objetivo del estudio:

• Evaluar el rendimiento diagnóstico de varias redes neuronales convolucionales (CNN) para la detección de ccRCC en RM.
• Para comparar la eficacia de los modelos de CNN con radiólogos experimentados que utilizan el algoritmo ccLS.

Principales métodos:

• Entrenamiento retrospectivo de 480 modelos de CNN utilizando imágenes de resonancia magnética ponderadas en T2, ponderadas en T1 de fase opuesta/en fase y con contraste de fase corticomedullar mejorado de 310 pacientes.
• Aplicación de la validación cruzada de 5 veces para mejorar la robustez de la clasificación y comparar los valores del área media bajo la curva (AUC).
• Comparación de los modelos de CNN de mejor rendimiento con el rendimiento del radiólogo utilizando el algoritmo ccLS.

Principales resultados:

• El rendimiento del modelo de CNN varió según el tipo de modelo, la selección de la imagen de entrada y las dimensiones de la imagen.
• Los modelos de CNN de mejor rendimiento lograron AUCs de 0.79 (imágenes T2w) y 0.80 (fusión de 3 tipos de imágenes).
• Un modelo de regresión logística combinada alcanzó un AUC de 0.83, mientras que los radiólogos que utilizaron ccLS lograron un AUC de 0.85. No se encontró ninguna diferencia estadísticamente significativa entre el modelo de fusión T2w + y el rendimiento del radiólogo (P> 0,05).

Conclusiones:

• Un modelo de CNN que integraba tres secuencias de resonancia magnética demostró un rendimiento diagnóstico comparable al de los radiólogos para la identificación de ccRCC.
• Una mayor integración de los modelos de CNN con las herramientas clínicas existentes como ccLS puede ofrecer beneficios de diagnóstico incrementales.