Modelo de aprendizaje automático utiliza datos de resonancia magnética para identificar candidatos para trasplante de hígado

La recurrencia posterior al tratamiento es una complicación impredecible después del trasplante de hígado por carcinoma hepatocelular (CHC), que se asocia con una supervivencia deficiente. Se necesitan biomarcadores para estimar el riesgo de recurrencia antes de la asignación de órganos. Un nuevo estudio ha encontrado que los modelos de aprendizaje automático (ML) aplicados a las características de imágenes actualmente infrautilizadas podrían ayudar a construir criterios más confiables para la asignación de órganos y la elegibilidad para trasplantes de hígado.

En el estudio de prueba de concepto, los investigadores de la Facultad de Medicina de la Universidad de Yale (New Haven, CT, EUA) evaluaron el uso de (ML para predecir la recurrencia a partir de datos de laboratorio, clínicos y de resonancia magnética previos al tratamiento en pacientes con CHC en etapa temprana inicialmente elegibles para trasplante de hígado. El estudio incluyó a 120 pacientes (88 hombres, 32 mujeres; mediana de edad, 60 años) diagnosticados con CHC en etapa temprana entre junio de 2005 y marzo de 2018, que inicialmente eran elegibles para trasplante de hígado y se sometieron a tratamiento mediante trasplante, resección o ablación térmica. Los pacientes se sometieron a una resonancia magnética previa al tratamiento y a la vigilancia por imágenes posterior al tratamiento, y las características de las imágenes se extrajeron de las fases posteriores al contraste de los exámenes de resonancia magnética previa al tratamiento utilizando una red neuronal convolucional preentrenada (VGG-16). Las características previas al tratamiento (incluyendo los datos de laboratorio) y las características de imágenes extraídas se integraron para desarrollar tres modelos de aprendizaje automático (clínico, de imágenes, combinado) para la predicción de recurrencia dentro de 1 a 6 años después del tratamiento.

En última instancia, los tres modelos predijeron la recurrencia posterior al tratamiento para el CHC en etapa temprana de la clínica previa al tratamiento (AUC 0,60–0,78, en los seis marcos de tiempo), resonancia magnética (AUC 0,71–0,85) y ambos datos combinados (AUC 0,62–0,86). El uso de datos de imágenes como la única entrada del modelo produjo un mayor rendimiento predictivo que los datos clínicos solos; sin embargo, la combinación de ambos tipos de datos no mejoró significativamente el rendimiento con respecto al uso exclusivo de datos de imágenes.

"Los hallazgos sugieren que los modelos basados en el aprendizaje automático pueden predecir la recurrencia antes de la asignación de la terapia en pacientes con CHC en etapa temprana inicialmente elegibles para un trasplante de hígado", escribió el autor correspondiente Julius Chapiro del departamento de radiología e imágenes biomédicas de la Facultad de Medicina de la Universidad de Yale.

Enlaces relacionados:

Facultad de Medicina de la Universidad de Yale

Visitar la expo >

High-Precision QA Tool

DEXA Phantom

New

Floor‑Mounted Digital X‑Ray System

MasteRad MX30+

Digital Radiographic System

OMNERA 300M

Ultrasound Table

Women’s Ultrasound EA Table