Plataforma automatizada monitorea el volumen de meningiomas en RM teniendo en cuenta la incertidumbre

Estos métodos pueden pasar por alto la verdadera carga tumoral en lesiones de crecimiento lento o irregulares, como los meningiomas, que se originan en las meninges y con frecuencia dificultan la estimación de sus límites. La incertidumbre en la segmentación tridimensional automatizada limita aún más la adopción clínica de la inteligencia artificial. Para ayudar a abordar este desafío, los investigadores han desarrollado un marco de aprendizaje profundo sensible a la incertidumbre para la volumetría tumoral basada en RM.

El marco de Aprendizaje profundo evidencial (EDL) de la Universidad de California en San Francisco (UCSF) genera mediciones volumétricas calibradas junto con mapas de incertidumbre interpretables a nivel de vóxel para la segmentación de meningiomas en RM cerebral clínica. El enfoque utiliza conjuntos de modelos EDL para cuantificar la incertidumbre específica de cada caso y región, en lugar de asumir una única salida definitiva. Al combinar la segmentación con la estimación de la incertidumbre, el sistema está diseñado para respaldar una implementación más segura en flujos de trabajo clínicos que dependen de un seguimiento preciso del volumen.

El marco se entrenó con 1.655 escaneos de RM de 788 pacientes, incluidos estudios posoperatorios en los que los cambios relacionados con el tratamiento pueden parecer tejido tumoral y aumentar la incertidumbre. El rendimiento se evaluó en un conjunto de prueba independiente de 68 RM de 43 pacientes, midiendo la concordancia espacial entre los mapas de incertidumbre del modelo y las regiones ambiguas identificadas por un neurorradiólogo. El modelo alcanzó una alta precisión, con mapas de incertidumbre alineados con las áreas ambiguas y estimaciones de volumen bien calibradas. La validación externa en 353 pacientes respaldó la generalizabilidad entre instituciones.

Según los investigadores, estas salidas de incertidumbre calibradas podrían aplicarse a la segmentación de lesiones más allá de los meningiomas y podrían aumentar la confianza de los clínicos en la volumetría de tumores cerebrales generada por IA. El trabajo impulsa una IA transparente y fiable al permitir un seguimiento cuantitativo, sensible a la incertidumbre, de la dinámica tumoral en la atención rutinaria. El estudio, publicado en npj Digital Medicine, también señala que las evaluaciones futuras deberían incluir conjuntos de datos multicéntricos y anotaciones de varios evaluadores para comparar la incertidumbre del modelo con la variabilidad interobservador humana.

"El propósito de este estudio fue desarrollar y validar un marco totalmente automatizado para la segmentación de tumores en RM cerebral clínica real, basado en conjuntos de modelos de EDL, capaz de producir mediciones volumétricas clínicamente significativas y mapas de incertidumbre interpretables", dijo Andreas Rauschecker, M.D., Ph.D., profesor adjunto de radiología de UCSF y codirector de Investigación en Imagen Inteligente.

"Incluso con un buen algoritmo de segmentación, siempre va a existir cierto nivel de incertidumbre sobre el volumen del tumor porque la IA puede cometer errores en la segmentación. Nuestro objetivo era capturar una forma matemática y cuantificable de evaluar la magnitud de esa incertidumbre", dijo Rauschecker.

Enlaces relacionados
UCSF