Bases histopatológicas de un modelo de tomografía computarizada pélvica de aprendizaje profundo para la predicción...

Área de la Ciencia:

• Radiología e Imagenología.
• Oncología Oncología.
• La inteligencia artificial en la medicina.

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL) que analizan la tomografía computarizada (TC) preoperatoria son prometedores para predecir la recurrencia del cáncer de ovario.
• La utilidad clínica de estos modelos de DL se ve obstaculizada por su opacidad inherente, lo que requiere la validación a través de pruebas histopatológicas.
• Este estudio tuvo como objetivo cerrar esta brecha al vincular las predicciones de DL con la histopatología e identificar los factores de riesgo del paciente.

Objetivo del estudio:

• Para generar evidencia histopatológica que apoye las predicciones basadas en DL para la recurrencia del cáncer de ovario.
• Desarrollar un marco de agrupación para identificar pacientes con factores de riesgo específicos basados en el análisis de DL.
• Mejorar la interpretabilidad clínica y la aplicabilidad de los modelos de DL en el manejo del cáncer de ovario.

Principales métodos:

• Análisis retrospectivo de los datos de TC preoperatorio de 418 pacientes con cáncer de ovario seroso de alto grado.
• Aplicación de la agrupación sin supervisión en 1.280 características basadas en modelos de DL.
• Regresión multivariada para correlacionar las salidas de DL con características histopatológicas y resultados de supervivencia.

Principales resultados:

• Los grupos no supervisados se correlacionaron con los marcadores histopatológicos clave (P53, P16, Ki-67) y los patrones de invasión tumoral (omento, recto, pared pélvica).
• Las salidas del modelo DL predijeron independientemente el estado de P53, P16, Ki-67, invasión omental y rectal y efusión pélvica, incluso después de ajustar para la etapa FIGO.
• Los grupos específicos y las puntuaciones del análisis del componente principal inferior (PCA, por sus siglas en inglés) se asociaron con una menor supervivencia del paciente.

Conclusiones:

• Los modelos de aprendizaje profundo pueden extraer de manera efectiva las características histopatológicas relevantes del cáncer de ovario seroso de alto grado directamente de las imágenes de TC.
• El estudio proporciona un marco para interpretar las predicciones de DL, vinculando las características de la imagen con los resultados clínicos e histopatológicos.
• Estos hallazgos apoyan el uso de DL en el manejo del cáncer de ovario para la estratificación del riesgo y potencialmente guiar las decisiones de tratamiento.