Un estudio pionero está marcando un hito en la mejora de la predicción de riesgos en el subtipo agresivo de carcinoma hepatocelular (HCC), conocido como macrotrabecular-masivo (MTM).
Los investigadores han implementado un innovador nomograma de radiómica con tomografía computarizada de doble energía (TCDE) respaldado por tecnología de aprendizaje profundo para evaluar con mayor precisión y eficacia el riesgo metastásico asociado con este subtipo de HCC.
El MTM representa una variante de HCC con un riesgo elevado de metástasis, pero las técnicas de imagen convencionales han mostrado limitaciones en su sensibilidad y especificidad para su identificación.
En este estudio retrospectivo multicéntrico, se comparó un modelo clínico-radiológico convencional con un nomograma de radiómica de TCDE impulsado por deep learning en 262 pacientes con HCC.
El nomograma, que incorpora características como el nivel de alfafetoproteína y modelos de radiómica de aprendizaje profundo.
De este modo, demostró un rendimiento superior en la predicción de MTM, con un aumento del 14% en el área bajo la curva característica de funcionamiento del receptor (AUC) en el conjunto de entrenamiento y un 10% en el conjunto de prueba externo.
La tecnología de aprendizaje profundo, que subyace en este enfoque, permite una interpretación avanzada de las características radiómicas, mejorando la capacidad del sistema para identificar patrones complejos en las imágenes de TCDE.
El nomograma de radiómica con TCDE basado en deep learning no solo eleva la precisión en la identificación del MTM, sino que también ofrece nuevas perspectivas para estrategias de intervención dirigidas y una atención más personalizada para los pacientes con HCC.
Comprendiendo el nomograma de radiómica con TC de doble energía y deep learning en el contexto del carcinoma hepatocelular
Un nomograma de radiómica con TC de doble energía respaldado por deep learning es una herramienta avanzada que utiliza datos extraídos de imágenes de tomografía computarizada de doble energía para evaluar de manera integral la composición y características del tejido en una lesión.
En el contexto del carcinoma hepatocelular, este enfoque aprovecha el poder del aprendizaje profundo para una interpretación más sofisticada de las imágenes, permitiendo una evaluación detallada de la atenuación del tejido adiposo y muscular.
Esta tecnología representa un avance significativo en la medicina de precisión, mejorando la capacidad de los médicos para estratificar el riesgo y personalizar las estrategias de tratamiento en pacientes con carcinoma hepatocelular.
Ref. en español:
Estudio retrospectivo de 262 pacientes con HCC en DECT que utilizó un modelo de radiómica DL para entrenamiento y prueba para detectar HCC con MTM.
La radiómica DL tuvo una alta precisión en todos los conjuntos de datos (AUC, 0.87-0.91) para identificar HCC.
Los grupos positivos para MTM identificados por la radiómica DL tuvieron una supervivencia libre de recurrencia más corta que los grupos negativos para MTM en todos los conjuntos de datos.
Para conocer más sobre este tema recomendamos visitar Radiology y acceder al artículo completo.
0 comentarios