Los científicos proponen una nueva forma de predecir la eficacia de la nueva quimioterapia adyuvante para el cáncer de estómago avanzado

El cáncer gástrico es un tumor maligno común que surge del epitelio de la mucosa gástrica. Al ser engañosos e inespecíficos, los síntomas del cáncer en etapa temprana son similares a los de enfermedades crónicas como la gastritis y las úlceras estomacales y, por lo tanto, se pasan por alto fácilmente. Como resultado, entre el 80 y el 90 % de los pacientes con cáncer de estómago se encontraban en una etapa avanzada cuando se les diagnosticó por primera vez. La cirugía, con un mal pronóstico y una supervivencia a los 5 años de solo el 30%, sigue siendo el principal tratamiento del cáncer gástrico avanzado (CGA) en la actualidad.

En los últimos años, la quimioterapia neoadyuvante (NACT) ha ayudado a mejorar el pronóstico de los pacientes con AGC y está ganando cada vez más popularidad entre los cirujanos y los pacientes. Sin embargo, alrededor del 30 % de los pacientes con AGC no pueden beneficiarse de NACT, pero corren el riesgo de progresión de la enfermedad, daño físico adicional y costos de tratamiento más altos. Aunque la histopatología después de la cirugía es el estándar de oro para evaluar la efectividad de NACT, no puede ayudar a mejorar los planes de tratamiento del cáncer. Por lo tanto, la identificación precisa de los pacientes con AGC resistentes a NACT antes del tratamiento es fundamental.

No hace mucho, investigadores dirigidos por GAO Xin del Instituto de Ingeniería y Tecnología Biomédica de Suzhou (SIBET) de la Academia de Ciencias de China, en cooperación con el Hospital del Cáncer de la provincia de Shanxi, propusieron un método basado en IA para predecir la efectividad de NACT. a favor de AGC.. Sobre esta base, el equipo propuso recientemente, basado en tecnología de computación de imágenes médicas inteligentes, un nuevo método de predicción de eficacia que podría resolver el problema de identificar pacientes con AGC con resistencia a NACT.

READ  Los científicos revelan cómo el anticuerpo 35B5 neutraliza el SARS-CoV-2 Omicron

El equipo construyó un modelo de predicción de NACT de extremo a extremo eficiente para AGC utilizando la arquitectura de red neuronal ResNet-50 para extraer automáticamente características de alta dimensión de imágenes de tumores, integrando características espaciales de tumores utilizando una estrategia de entrada de imágenes multicanal e información de límites de tumores para guiar enfoque de la red en el área de la lesión.

Además, adoptaron calculadotomografía computarizada (CT) Imágenes de 633 pacientes con AGC de tres hospitales para entrenamiento y validación del modelo.

Los resultados mostraron que el modelo propuesto tiene una alta precisión de predicción (superior a 0,75 en los grupos de prueba internos y externos) y una fuerte capacidad de generalización, lo que lo convierte en el mejor modelo para predecir la respuesta NACT de extremo a extremo en estudios anteriores.

Además, para visualizar aún más la interpretabilidad del modelo, los investigadores cuantificaron la correspondencia entre las imágenes del tumor y la resistencia a la quimioterapia mediante un enfoque óptico. TLa región de activación del modelo tumoral en la imagen de TC no es uniforme, lo que proporciona una referencia para identificar la asociación implícita entre la heterogeneidad del tumor y la resistencia a la quimioterapia.

este estudio autorizado»El aprendizaje profundo predice la resistencia a la quimioterapia neoadyuvante para el cáncer gástrico localmente avanzado: un estudio multicéntricoFue publicado en «Stomach Cancer» y fue financiado por la Fundación Nacional de Ciencias Naturales de China.

El proceso de predicción de la efectividad de NACT en AGC. (Imagen vía SIBET)

Números de visualización para un modelo de predicción de la eficacia de NACT en AGC. (Imagen vía SIBET)

/Liberación General. Este material de la(s) organización(es) original(es) puede ser de un punto en el tiempo, editado para mayor claridad, estilo y extensión. Las opiniones y opiniones expresadas son las del autor (es). ver completo aqui.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *