Modelo multimodal basado en transformador de fusión gradual para predecir la respuesta a la inmunoterapia en...

Área de la Ciencia:

• Oncología Oncología.
• Imágenes médicas de imágenes médicas.
• La inteligencia artificial es inteligencia artificial.

Sus antecedentes:

• La inmunoterapia mejora significativamente la supervivencia de los pacientes con carcinoma hepatocelular (CCH).
• La predicción de la respuesta a la inmunoterapia es crucial para optimizar las estrategias de tratamiento del CHC.
• Este estudio se centra en el desarrollo de modelos predictivos para la respuesta a la inmunoterapia en HCC.

Objetivo del estudio:

• Desarrollar y validar modelos multimodales basados en transformadores para predecir la respuesta a la inmunoterapia en HCC.
• Evaluar el rendimiento y las capacidades de generalización de estos modelos en diferentes modalidades de datos.

Principales métodos:

• Inclusión retrospectiva de pacientes con CHC de cinco centros médicos.
• Utilizado mínimo absoluto de contracción y operador de selección (LASSO) para la selección de características clínicas.
• Modelos basados en transformadores de fusión gradual multimodal entrenados (GIFT-CIP) utilizando datos clínicos y características de imágenes de TC (parches intra y peritumorales).
• Modelos validados en cohortes de pruebas internas e independientes externas.

Principales resultados:

• El modelo GIFT-CIP, que incorpora datos de imágenes clínicas, intratumorales y peritumorales, logró un alto rendimiento predictivo con valores de AUC que van desde 0.883 a 0.926 en todas las cohortes.
• El modelo efectivamente estratificó a los pacientes en grupos de bajo y alto riesgo, demostrando diferencias significativas en la supervivencia libre de progresión y en la supervivencia general (p < 0,01) en la cohorte externa.
• Demostró una fuerte generalización en diferentes modalidades y cohortes.

Conclusiones:

• El modelo GIFT-CIP ofrece un enfoque no invasivo para predecir la respuesta a la inmunoterapia en pacientes con CHC.
• Este modelo puede ayudar a los médicos a guiar la vigilancia y seleccionar las estrategias óptimas de inmunoterapia.
• Destaca el potencial de los modelos de IA multimodal en la oncología de precisión.