Objetivo: Investigar el valor potencial de los modelos de aprendizaje automático basados en radiómica ambiental multiparamétrica de imágenes por resonancia magnética (RM) para predecir la invasión linfovascular (LVI) en pacientes con cáncer gástrico. Métodos: Se revisaron y recopilaron datos de pacientes con cáncer gástrico confirmados patológicamente en el Hospital Oncológico de la provincia de Shanxi entre octubre de 2012 y mayo de 2024, distribuidos aleatoriamente en proporción 7:3 en conjuntos de entrenamiento y validación. Se procesaron imágenes multiparamétricas de RM, que incluyen imágenes ponderadas en T2 axial, mapas de coeficiente de difusión aparente (ADC) e imágenes ponderadas en T1 con contraste, y se segmentaron manualmente los tumores. Los tumores se dividieron en subregiones utilizando el algoritmo de agrupamiento fuzzy c-means y se extrajeron y seleccionaron características radiómicas de las subregiones y de todo el tumor. Se utilizaron tres algoritmos diferentes de aprendizaje automático — bosques aleatorios (RF), regresión logística (LR) y máquinas de vectores de soporte (SVM) — para construir modelos de radiómica ambiental para predecir el estado de LVI, seleccionando el algoritmo óptimo para construir el modelo radiómico de todo el tumor. Se graficaron curvas ROC y curvas de análisis de decisión (DCA) para evaluar el desempeño de los modelos en la predicción de LVI y sus beneficios clínicos. Resultados: Se incluyeron 446 pacientes con cáncer gástrico, con 313 en el conjunto de entrenamiento y 133 en el de validación. Entre los tres modelos de aprendizaje automático, el modelo radiómico ambiental basado en SVM mostró el mejor rendimiento predictivo con áreas bajo la curva (AUC) de 0.803 y 0.751 para los conjuntos de entrenamiento y validación respectivamente, siendo este modelo significativamente superior al modelo radiómico de todo el tumor (prueba DeLong, P < 0.05). Conclusión: Los modelos de aprendizaje automático basados en imágenes ambientales multiparamétricas de RM pueden predecir de manera no invasiva y precisa el estado de LVI en pacientes con cáncer gástrico, proporcionando una base teórica para decisiones clínicas individualizadas.

cáncer gástrico;invasión linfovascular;resonancia magnética;análisis ambiental;aprendizaje automático