142P Enfoques basados en IA para predecir la respuesta temprana en pacientes con LA-NSCLC irresecables que reciben quimiorradiación

Desarrollamos un conjunto de datos multimodal que combina características computadas a partir de radiomicas, datos clínicos, imágenes médicas e histopatológicas recopiladas rutinariamente para predecir los resultados clínicos en pacientes con NSCLC. Pacientes con LA-NSCLC irresecable fueron incluidos en un ensayo prospectivo y se sometieron a radioterapia quimiorradical (CRT) concurrente con un enfoque adaptativo desde 2012 hasta 2014. Se evaluaron tomografías computarizadas, datos clínicos y diapositivas de histopatología. Características semánticas como edad, sexo y hábito de fumar, estadio TNM e histología y mutaciones; 2) Característica radiómica extraída de ROI 3D proporcionados por el volumen objetivo clínico (CTV) de las tomografías computarizadas realizadas antes de iniciar la CRT concurrente; 3) Características patómicas: las diapositivas histológicas fueron digitalizadas obteniendo imágenes de diapositivas completas (WSI) cargadas en el software QuPath y reevaluadas por un patólogo pulmonar experto que seleccionó un número representativo de áreas tumorales y en estas áreas se segmentó el borde del tumor evitando fibrosis, necrosis o artefactos histológicos. Se analizaron diferentes reglas de fusión tardía multimodal y dos reglas de agregación por paciente aprovechando la riqueza de información proporcionada por imágenes CT, escaneos de diapositivas completas y datos clínicos. En total, 50 pacientes con NSCLC localmente avanzado fueron incluidos en el protocolo adaptativo. Entre estos pacientes, 35 tenían diapositivas histológicas disponibles y fueron incluidos en este análisis. En este último grupo, 13 (37.1%) pacientes lograron una reducción significativa durante la quimiorradiación. Investigamos ocho diferentes reglas de fusión tardía multimodal y dos reglas de agregación por paciente en comparación con el enfoque unimodal. Los experimentos mostraron que el paradigma multimodal basado en fusión propuesto, logrando un AUC igual a 90.9%, supera cada enfoque unimodal, sugiriendo que la integración de datos puede avanzar en la medicina de precisión. La combinación de las tres modalidades resultó en el mejor rendimiento del modelo. Proponemos un marco de aprendizaje profundo para integrar datos multimodales para la predicción de respuesta temprana al tratamiento. Este enfoque tiene el potencial de avanzar en los sistemas de apoyo a la decisión clínica, permitir la medicina personalizada y podría representar un paso efectivo e innovador hacia la medicina personalizada.