Modelo de aprendizaje profundo para predecir la recurrencia del adenocarcinoma de pulmón invasivo en estadio IA después de la resección sublobar (DL-Rec-ILA)

Este estudio está diseñado para desarrollar un modelo de aprendizaje profundo para predecir el riesgo de recurrencia del adenocarcinoma de pulmón invasivo en estadio IA después de una resección sublobar utilizando imágenes de TC sin contraste. Las mejores indicaciones para la resección sublobar en pacientes con LADC en estadio temprano aún se debaten, lo que dificulta en cierta medida la selección del método quirúrgico. El modelo de aprendizaje profundo puede predecir de forma no invasiva y objetiva el riesgo de recurrencia de pacientes con ILADC en estadio IA después de una sublobectomía y es útil para predecir el pronóstico de pacientes con ILADC en estadio IA después de una sublobectomía y puede facilitar la elección del modo quirúrgico óptimo de estos pacientes.

El estudio utilizará datos retrospectivos de pacientes con adenocarcinoma de pulmón invasivo en estadio IA después de una resección sublobar. Las imágenes de TC sin contraste se recopilarán en el momento de la admisión y se utilizarán como entradas para el modelo de aprendizaje profundo. El modelo se entrenará utilizando redes neuronales convolucionales (CNN) para identificar patrones asociados con la recurrencia.

Además del desarrollo del modelo, el estudio también evaluará el desempeño del modelo en una cohorte de validación separada para evaluar la generalización. Los análisis estadísticos incluirán métricas de rendimiento como el área bajo la curva característica operativa del receptor (ROC) (AUC) y la curva de recuperación de precisión.

Este estudio tiene como objetivo proporcionar una herramienta valiosa para que los médicos tomen decisiones oportunas al elegir el enfoque terapéutico óptimo.