El ACC (carcinomas adenomatoideos quísticos) representan el 25% de los tumores malignos en las glándulas salivales mayores y el 50% en las glándulas salivales menores

Este modelo de aprendizaje automático, construido en base a pruebas clínicas  características y de ultrasonido,  sirve como una herramienta valiosa para la identificación del carcinoma adenoide quístico de glándulas salivales.

El signo de la cola de rata y el vaso polar en la ecografía predicen el carcinoma adenoide quístico

El modelo de máquina de vectores de soporte funcionó de manera robusta y precisa.

PUNTOS DÉBILES:

• Varias limitaciones inherentes a este estudio.
  • En primer lugar, la naturaleza retrospectiva del estudio puede haber introducido un posible sesgo de selección.
  • En segundo lugar, el tamaño de la muestra fue relativamente pequeño.
  • Falta de estudios ecográficos avanzados, como Técnicas como la sonoelastografía o CEUS
  • Estudios futuros debería esforzarse por incorporar características multimodales de US, para distinguir con precisión ACC de no ACC

PUNTOS FUERTES:

• Este estudio representa el tamaño de muestra más grande hasta la fecha en investigar las características clínicas y ecográficas de ACC en las glándulas salivales
• Muestra diferencias significativas  en edad e historial de tabaquismo entre ACC y pacientes sin ACC.
• Esta investigación ha confirmado que ML y los modelos basados ​​en características clínicas y ecográficas son realmente factibles y prometedores para distinguir ACC de no ACC,

Dr. José Angel Jiménez Lasanta

Editor de la sección de ULTRASONIDOS