Aprendizaje profundo de radiómica basada en TC predice metástasis en ganglios linfáticos de tumores

Los tumores neuroendocrinos de páncreas no funcionales, aunque poco comunes, se tratan principalmente mediante intervención quirúrgica. El proceso de toma de decisiones sobre cirugía y otros tratamientos está fuertemente influenciado por la presencia o ausencia de metástasis en los ganglios linfáticos. Actualmente existe una falta de consenso en las directrices clínicas, especialmente en lo que respecta a la necesidad de cirugía en tumores menores de 2 cm. El diagnóstico preoperatorio de metástasis en los ganglios linfáticos mediante los métodos existentes no es suficientemente confiable. Para abordar esto, los investigadores han introducido un modelo de imágenes que combina la radiómica (la extracción de datos de imágenes radiológicas) y el aprendizaje profundo para predecir metástasis preoperatorias en los ganglios linfáticos en estos tumores. Este modelo innovador marca un importante paso adelante en la evaluación no invasiva de metástasis en los ganglios linfáticos, facilitando un diagnóstico más preciso y ayudando a determinar las estrategias de tratamiento más efectivas.

El equipo de la Universidad de Tsukuba (Tsukuba, Japón) desarrolló este modelo predictivo integrando características radiómicas obtenidas de tomografías computarizadas y resonancias magnéticas con técnicas avanzadas de aprendizaje profundo de inteligencia artificial. Sorprendentemente, este modelo mostró una tasa de precisión del 89 % en la predicción de metástasis en los ganglios linfáticos, que aumenta aún más al 91 % cuando se valida con datos de un hospital externo. Notablemente, su rendimiento se mantiene estable independientemente de si el tamaño del tumor es superior o inferior a 2 cm. Por tanto, este modelo sirve como una herramienta vital para predecir metástasis en los ganglios linfáticos, proporcionando a los cirujanos información esencial para seleccionar las intervenciones quirúrgicas y los planes de tratamiento más adecuados. El desarrollo tiene el potencial de mejorar significativamente los resultados de los pacientes en este desafiante campo médico.

Enlaces relacionados:
Universidad de Tsukuba

Visitar la expo >

New

Mammography System (Analog)

MAM VENUS

Digital Radiographic System

OMNERA 300M

Biopsy Software

Affirm® Contrast

Medical Radiographic X-Ray Machine

TR30N HF