HEPATOLOGÍA

Los modelos de aprendizaje automático predicen la respuesta al tratamiento del carcinoma hepatocelular

Eurekalert · 19 agosto 2022

Según un estudio publicado en el American Journal of Roentgenology, los modelos de aprendizaje automático aplicados a las características de imagen actualmente infrautilizadas podrían ayudar a construir criterios más fiables para la asignación de órganos y la elegibilidad para el trasplante de hígado.

"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 carcinoma hepatocelular (CHC) en etapa temprana que son inicialmente elegibles para un trasplante de hígado", escribe el inestigador Julius Chapiro de la Facultad de Medicina de la Universidad de Yale (Estados Unidos).

El estudio de prueba de concepto de Chapiro y colegas 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 fueron inicialmente elegibles para el trasplante de hígado y se sometieron a tratamiento por trasplante, resección o ablación térmica.

Los pacientes se sometieron a una resonancia magnética (RM) previa al tratamiento y a una vigilancia de imágenes posterior al tratamiento, y las características de las imágenes se extrajeron de las fases posteriores al contraste de los exámenes de RM previos al tratamiento utilizando una red neuronal convolucional preentrenada (VGG-16).

Las características clínicas previas al tratamiento (incluidos los datos de laboratorio) y las características de imagen extraídas se integraron para desarrollar tres modelos ML -clínicos, de imagen, combinados- para la predicción de la recurrencia dentro de 1-6 años después del tratamiento.

En última instancia, los tres modelos predijeron la recurrencia posterior al tratamiento para el CHC en fase inicial a partir de los datos clínicos previos al tratamiento, la RM y ambos datos combinados. El uso de los datos de imagen como única entrada del modelo produjo un mayor rendimiento predictivo que los datos clínicos por sí solos. Sin embargo, la combinación de ambos tipos de datos no mejoró significativamente el rendimiento respecto al uso de los datos de imagen por sí solos.

Referencia: AJR Am J Roentgenol. 2022;10.2214/AJR.22.28077. doi:10.2214/AJR.22.28077