Desarrollo y validación de un modelo basado en el aprendizaje automático para predecir metástasis de ganglios...

Área de la Ciencia:

• Oncología Oncología.
• Imágenes médicas de imágenes médicas.
• Aprendizaje automático en medicina.

Sus antecedentes:

• La terapia gradual es crucial para el tratamiento del cáncer de mama localizado.
• El papel de la biopsia de ganglios linfáticos centinela (SLNB) después de la quimioterapia neoadyuvante (NACT) en pacientes con ganglios negativos (cN0) sigue siendo objeto de debate.
• La predicción precisa de las metástasis de los ganglios linfáticos centinela (SLN) es esencial para la desescalada del tratamiento.

Objetivo del estudio:

• Para comparar algoritmos de aprendizaje automático para predecir la metástasis de SLN en pacientes con cáncer de mama cN0 después del NACT.
• Para identificar el modelo más eficaz para esta tarea de predicción.
• Para informar las decisiones clínicas con respecto a SLNB en esta población de pacientes.

Principales métodos:

• Estudio retrospectivo de 221 pacientes con cáncer de mama cN0 que recibieron NACT y SLNB.
• Desarrollo y comparación de cuatro modelos de aprendizaje automático para predecir metástasis de SLN.
• Evaluación del rendimiento diagnóstico utilizando las curvas ROC (AUC) y la utilidad clínica mediante el análisis de la curva de decisión (DCA).
• SHapley Additive exPlanations (SHAP) utilizado para interpretar el modelo de mejor rendimiento.

Principales resultados:

• El modelo de regresión logística (LR) mostró un rendimiento predictivo superior.
• El modelo LR logró una alta especificidad (0,947) y AUC (0,889), lo que indica una identificación confiable de pacientes sin metástasis de SLN.
• Los predictores clave identificados por el análisis SHAP incluyeron la respuesta radiológica completa, la invasión linfovascular y el estado del nodo axilar en el ultrasonido.

Conclusiones:

• El modelo LR desarrollado demuestra una alta especificidad para predecir la metástasis de SLN.
• Este modelo puede ayudar a identificar pacientes con cáncer de mama cN0 de bajo riesgo post-NACT que pueden no requerir SLNB.
• Apoya la posible exención de SLNB en pacientes seleccionados, alineándose con los principios de terapia gradual.