Aprimorando o Diagnóstico Precoce de Câncer de Pulmão: Prevendo a Progressão de Nódulos Pulmonares em Tomografias Computadorizadas de Baixa Dose com Modelo Generativo Profundo

O diagnóstico precoce do câncer de pulmão pode melhorar significativamente os resultados dos pacientes. Desenvolvemos um modelo preditivo de crescimento baseado na estrutura da Rede Generativa Adversarial de Wasserstein (GP-WGAN) para prever os padrões de crescimento dos nódulos nas tomografias computatoriais de acompanhamento (LDCT). O GP-WGAN foi treinado com um conjunto de treinamento (N = 776) contendo 1121 pares de imagens de nódulos com intervalos de aproximadamente 1 ano e implantado em um conjunto de teste independente de 450 nódulos nas tomografias LDCT de base para prever imagens de nódulos (GP-nódulos) em suas tomografias de acompanhamento de 1 ano. Os 450 GP-nódulos foram finalmente classificados como malignos ou benignos por um modelo de previsão de risco de câncer de pulmão (LCRP), alcançando uma AUC de teste de 0.827 ± 0.028, que foi comparável à AUC de 0.862 ± 0.028 obtida pelo mesmo modelo LCRP classificando imagens reais de nódulos de acompanhamento (p = 0.071). O índice de reclassificação líquida produziu resultados consistentes (NRI = 0.04; p = 0.62). Outros métodos de base, incluindo Lung-RADS e o modelo Brock, alcançaram desempenho significativamente inferior (p < 0.05). Os resultados demonstraram que os GP-nódulos previstos pelo nosso modelo GP-WGAN alcançaram desempenho comparável aos nódulos nas tomografias de acompanhamento reais para diagnóstico de câncer de pulmão, indicando o potencial de detectar câncer de pulmão mais precocemente quando associados a um gerenciamento clínico acelerado em comparação com a abordagem atual de aguardar até o próximo exame de triagem.