La integración de la anatomía de corte central y la dinámica radiómica mapeada por MRF para el subtipo de...

Área de la Ciencia:

• Análisis de imágenes médicas análisis de imágenes médicas.
• La inteligencia artificial en la oncología.
• Radiómica y aprendizaje profundo.

Sus antecedentes:

• El adenocarcinoma pulmonar, un importante subtipo de cáncer de pulmón, requiere una subclasificación precisa para un manejo clínico eficaz.
• Los métodos actuales basados en tomografía computarizada (TC) luchan por capturar las características de la lesión en evolución a través de rebanadas adyacentes.
• Existe la necesidad de enfoques avanzados que integren detalles anatómicos estáticos con cambios radiómicos dinámicos.

Objetivo del estudio:

• Desarrollar y validar un nuevo marco de aprendizaje profundo, la red dinámica de fusión radiómica (DRFN), para el subtipo de adenocarcinoma pulmonar.
• Mejorar la precisión y la interpretabilidad de la clasificación del adenocarcinoma pulmonar basado en TC mediante la fusión de la anatomía de corte central con la radiómica dinámica.
• Para comparar el rendimiento de DRFN con los modelos de aprendizaje profundo existentes para el subtipo de adenocarcinoma pulmonar.

Principales métodos:

• Un estudio retrospectivo multicéntrico que utiliza lesiones de TC de entrenamiento, pruebas internas y cohortes de validación externa.
• Extracción de imágenes de corte central (IMG1) y secuencias radiómicas multicapa, seguido de selección de características utilizando LASSO.
• Desarrollo de DRFN, una red de doble canal que fusiona IMG1 con un mapa de campo aleatorio de Markov (MRF) derivado de BiLSTM-Attention, y comparación con las líneas de base de CNN y BiLSTM-Attention.

Principales resultados:

• DRFN logró altas AUC por clase en una cohorte de prueba independiente: 0,97 (adenocarcinoma mínimamente invasivo), 0,99 (adenocarcinoma in situ) y 0,95 (adenocarcinoma invasivo).
• El mapeo de activación de clase (CAM) reveló el enfoque de DRFN en características clínicamente relevantes como núcleos de lesiones, márgenes espiculados y estructuras vasculares.
• DRFN superó significativamente a los modelos CNN de un solo canal (AUCs: 0.77-0.88) y BiLSTM-Attention (AUCs: 0.88-0.94) sólo radiómicos en cuanto a sensibilidad, especificidad y generalización.

Conclusiones:

• El marco DRFN fusiona efectivamente la información anatómica estática de la TC con la evolución dinámica de la radiómica, lo que produce una alta precisión de clasificación.
• DRFN proporciona una interpretación transparente a través de los mecanismos de atención, reflejando el razonamiento de diagnóstico de los radiólogos.
• Esta ayuda de diagnóstico inteligente muestra una promesa significativa para mejorar el subtipo de adenocarcinoma pulmonar en la práctica clínica.