Científicos de la Universidad Médica de Nanjing han desarrollado un modelo de aprendizaje profundo capaz de predecir, en la fase preoperatoria, la presencia de metástasis ganglionares en pacientes con carcinoma esofágico de células escamosas inicialmente clasificados sin estas lesiones. En la evaluación en cohortes de entrenamiento y de validación, el …

Científicos de la Universidad Médica de Nanjing han desarrollado un modelo de aprendizaje profundo capaz de predecir, en la fase preoperatoria, la presencia de metástasis ganglionares en pacientes con carcinoma esofágico de células escamosas inicialmente clasificados sin estas lesiones. En la evaluación en cohortes de entrenamiento y de validación, el modelo alcanzó una precisión cercana al 85%, con elevados valores de sensibilidad y especificidad. Feng Wang, codirector del estudio, subraya la relevancia de los hallazgos señalando que, en el análisis histopatológico postoperatorio de los ganglios en 300 pacientes supuestamente negativos, hubo 132 casos positivos, lo que indica que la prevalencia real de metástasis ocultas no detectadas por los métodos clínicos convencionales oscila entre el 41% y el 52%.

El investigador prosigue indicando que el modelo predictivo utiliza una red neuronal avanzada que examina las imágenes obtenidas por tomografía computarizada y captura patrones visuales complejos en el tumor. Estos patrones son posteriormente fusionados con miles de parámetros numéricos obtenidos de la radiómica y ulteriormente procesados mediante una fórmula de regresión logística que genera la predicción.

El científico señala que la discrepancia entre la estadificación clínica inicial y los hallazgos patológicos postoperatorios representa un importante desafío clínico, derivado de que la evaluación habitual de los ganglios está basada en criterios morfológicos y metabólicos, lo que limita la capacidad de identificar lesiones de pequeño volumen y de evitar falsos positivos causados por procesos inflamatorios. Por consiguiente, disponer de una estimación de riesgo basada en las características del tumor primario proporciona información complementaria útil para apoyar las decisiones clínicas individualizadas, concluye Wang.


SEGUIR LEYENDO