Resumen

La palabra radiómica, como todos los dominios de tipo ómico, supone la existencia de una gran cantidad de datos. El uso de la inteligencia artificial, en particular, de diferentes técnicas de aprendizaje automático, es un paso necesario para una mejor explotación de los datos. Clásicamente, los investigadores en este campo de la radiómica han utilizado técnicas convencionales de aprendizaje automático (random forest, por ejemplo). Más recientemente, ha surgido el aprendizaje profundo, un subdominio del aprendizaje automático. Sus aplicaciones van en aumento y los resultados obtenidos hasta ahora han demostrado su notable eficacia. Varios estudios anteriores han explorado las posibles aplicaciones de la radiómica en el cáncer colorrectal. Estas aplicaciones potenciales pueden agruparse en varias categorías como la evaluación de la reproducibilidad de los datos de textura, la predicción de la respuesta al tratamiento, la predicción de la aparición de metástasis y la predicción de la supervivencia. Sin embargo, pocos estudios han explorado el potencial de la radiómica para predecir la supervivencia sin recidiva. En este estudio, evaluamos y comparamos seis modelos de aprendizaje convencional y un modelo de aprendizaje profundo, basados en el análisis textural de la RM de pacientes con tumores rectales localmente avanzados, correlacionados con el riesgo de recidiva; en el aprendizaje tradicional, comparamos modelos de análisis de imágenes 2D frente a modelos de análisis de imágenes 3D, modelos basados en un análisis textural del tumor frente a modelos que tienen en cuenta el entorno peritumoral además del propio tumor. En el aprendizaje profundo, construimos un modelo de red neuronal convolucional de 16 capas, impulsado por una base de datos de imágenes de resonancia magnética 2D que comprende tanto las imágenes nativas como el cuadro delimitador correspondiente a cada imagen.

• Materias:Ingeniería biomédica Biomecánica Prótesis Extremidades (Cuerpo Humano) Músculos Hidromecánica
• Subjects:Biomedical engineering Biomechanics Prostheses Limbs (Human Body) Muscles Hydromechanics
• Palabras claves:técnicas de aprendizaje automático, modelo de análisis de imágenes, aprendizaje profundo, análisis textural, aplicación potencial, dominio de tipo, mejor explotación de los datos, varios estudio previos, predicción de respuesta, aparición de metástasis.
• Keywords:machine learning techniques, image analysis model, deep learning, textural analysis, potential application, domain of type, better data exploitation, several previous study, prediction of response, occurrence of metastasis