Modelo de consenso basado en radiomía de TC de múltiples estructuras para el diagnóstico de adenocarcinoma ductal...

Área de la Ciencia:

• Radiología Radiología.
• La inteligencia artificial es inteligencia artificial.
• Oncología Oncología.

Sus antecedentes:

• El adenocarcinoma ductal pancreático (PDAC) plantea un desafío significativo debido a su alta letalidad.
• Una evaluación preoperatoria precisa de la afectación vascular es crucial para la resectabilidad de los PDAC y la planificación del tratamiento.
• Las evaluaciones convencionales de TC para PDAC son subjetivas, lo que lleva a incertidumbre diagnóstica y utilidad clínica limitada.

Objetivo del estudio:

• Desarrollar y validar un modelo de consenso de radiomía de TC de múltiples estructuras para el diagnóstico de PDAC.
• Evaluar la capacidad del modelo para predecir la participación vascular en el PDAC.
• Mejorar la transparencia clínica y apoyar la toma de decisiones preoperatorias utilizando la interpretabilidad a nivel de órganos.

Principales métodos:

• Análisis retrospectivo de la cohorte internacional PANORAMA CT (1488 muestras).
• Extracción de rasgos radiómicos de cinco estructuras pancreáticas clave (arteria, vena, parénquima, conducto, conducto biliar común) siguiendo las directrices del IBSI.
• Desarrollo de un modelo de consenso de múltiples estructuras utilizando aprendizaje automático, reducción de dimensionalidad (LASSO) y apilamiento, con análisis SHAP para la interpretabilidad.

Principales resultados:

• El modelo de consenso logró un alto rendimiento: AUC 0.975 para el diagnóstico de PDAC y AUC 0.868 para la predicción de la participación vascular.
• El modelo de estructura múltiple superó significativamente a los modelos de estructura única para ambas tareas.
• El análisis SHAP identificó el parénquima pancreático como clave para el diagnóstico de PDAC y las características arteriales para la predicción de la participación vascular, lo que demuestra una calibración robusta y una utilidad clínica.

Conclusiones:

• Un modelo de consenso de radiómica de TC de múltiples estructuras integra efectivamente la información contextual para mejorar el diagnóstico de PDAC y la predicción de la participación vascular.
• El modelo ofrece una herramienta confiable e interpretable para ayudar a los cirujanos y oncólogos en la toma de decisiones preoperatorias para el PDAC.
• La interpretabilidad a nivel de órganos a través del análisis SHAP mejora la confianza y la traducción clínica de la radiómica impulsada por IA en oncología.