Anales de la RANM

26 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 CÁNCER DE PÁNCREAS, RADIÓMICA E INTELIGENCIA ARTIFICIAL Martí-Bonmatí L An RANM. 2022;139(01): 23 - 30 Desarrollo del modelo La relación entre las características detectadas y los resultados esperados puede estable- cerse mediante diversos métodos de aprendi- zaje (Figura 2). La clasificación supervisada implica la identificación previa de etiquetadas asignadas a una clase esperada y la utiliza- ción de análisis estadísticos, reconocimiento de patrones o aprendizaje automático. La clasifi- cación no-supervisada obtiene la clasificación asociativa mediante técnicas de agrupamiento ( clustering ) sobre conjuntos no etiquetados. También se han desarrollado recientemente variantes semi-supervisadas (27). Los modelos radiómicos han demostrado valor pronóstico para conocer la supervivencia global en pacientes con PDAC resecable y para estratificar los pacientes resecables por el riesgo de recaída posquirúrgica (29,30). La implementación de modelos de aprendizaje por transferencia basados en CNN presentan un rendimiento que mejora significativamente el de los estudios radiómicos estándares (31). Los enfoques de Machine Learning y los análisis agnósticos de alto rendimiento han aumentado el poder predictivo de los modelos a costa de una menor comprensión biológica de su mecanismo. Esta validación biológica es una necesidad indiscutible para la toma de decisiones clínicas (32). Validación Biológica y Clínica La firma radiómica se puede describir como el modelo que utiliza datos radiómicos para predecir en un tumor un evento biológico (como la hipoxia) o clínico (como la supervivencia) particular (Figura 2). Para ser reproducible y fiable, la firma debe estar validada sobre casos independientes y equilibrados, no utilizados en su construcción. Debe también enlazarse con una información patológica o correlato biológico relevante (13,19-21). A continuación se comentan y revisan algunos candidatos radiómicos recientes. En su estadificación, un modelo de regresión logística multivariante utilizando características radiómicas de imágenes TC-C en fase venosa estimó la invasión de la vena mesentérica superior con alta precisión (AUC=0,75). Aunque no validado, el estudio empleó una serie de 181 pacientes y mejoró la predicción de resecabilidad (33). En un estudio de 194 pacientes, el análisis radiómico del espacio perivascular de la arteria mesentérica superior evidenció que un modelo con 5 caracte- rísticas radiómicas (ángulo máximo de abrazo, diámetro máximo, distancia mínima, desviación Figura 2. La segmentación automática del tumor pancreático y la extracción de sus características radiómicas permiten construir modelos para la predicción de resultados clínicos tan importantes como la agresividad tumoral expresada como la expectativa de vida asociada al tumor. ALGUNOS CANDIDATOS PREDICTORES