Los investigadores desarrollan un modelo de aprendizaje profundo para predecir la metástasis peritoneal oculta en pacientes con cáncer gástrico



El cáncer de estómago, o cáncer gástrico, es una neoplasia maligna gastrointestinal común. La metástasis peritoneal ocurre en la mayoría de los pacientes con cáncer de estómago avanzado y se considera una enfermedad agresiva con malos resultados.

Los pacientes con metástasis peritoneal generalmente no son elegibles para cirugía curativa. Por lo tanto, la detección y el diagnóstico preoperatorio de metástasis peritoneal son fundamentales para informar la toma de decisiones sobre el tratamiento y evitar cirugías innecesarias.

Un nuevo estudio publicado en el Red JAMA abierta el 5 de enero muestra que el aprendizaje profundo puede ayudar a predecir la metástasis peritoneal oculta en el cáncer de estómago. Proporciona un enfoque novedoso y no invasivo para los pacientes con cáncer de estómago y puede informar el tratamiento quirúrgico individualizado del cáncer de estómago.

El estudio fue realizado por el grupo del Dr. XIE Yaoqin de los Institutos de Tecnología Avanzada de Shenzhen (SIAT) de la Academia China de Ciencias, el Dr. LI Ruijiang de la Universidad de Stanford, el Dr. LI Guoxin del Hospital Nanfang y el Dr. ZHOU Zhiwei de Sun Centro de Cáncer de la Universidad de Yat-sen.

Los investigadores desarrollaron un modelo de aprendizaje profundo llamado Red de metástasis peritoneal (PMetNet) para predecir la metástasis peritoneal clínicamente oculta utilizando imágenes de tomografía computarizada (TC) preoperatoria en pacientes con cáncer de estómago.

El Dr. JIANG Yuming de la Universidad de Stanford, uno de los coautores de este estudio, explicó que el modelo de aprendizaje profundo propuesto puede servir como una herramienta no invasiva confiable para la identificación temprana de pacientes con metástasis peritoneal clínicamente oculta.

También puede informar la toma de decisiones de tratamiento preoperatorio individualizado y puede evitar cirugías y complicaciones innecesarias “.

Liang Xiaokun de SIAT, co-primer autor, Ph.D. Candidato

.



Source link