El aprendizaje profundo híbrido permite la delineación multiinstitucional de la médula ósea activa para la...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial en oncología
• Planificación de la radioterapia

Sus antecedentes:

• La radioterapia pélvica para cánceres ginecológicos irradia las estructuras óseas críticas.
• La médula ósea activa es sensible a la radiación, lo que puede causar toxicidad.
• La identificación exacta de la ABM es crucial para la reducción de la dosis en la planificación.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo (DL) para la detección de médula ósea activa hematopoyética (ABM) en imágenes de TC.
• Evaluar la utilidad clínica del modelo DL para permitir la radioterapia conservadora de ABM.
• Para comparar el rendimiento de varias arquitecturas DL para la segmentación ABM.

Principales métodos:

• Análisis retrospectivo de 319 pacientes con cáncer ginecológico de cinco instituciones.
• Desarrollo de seis modelos de DL, incluidos los híbridos nnU-Net, U-Net, V-Net, ResU-Net, nnU-Net y UNETR.
• Segmentación de la médula ósea abdominal en médula ósea ilíaca activa (A_IBM), médula ósea sacra activa (A_SBM) y médula ósea activa de las vértebras lumbares (A_LVBM) utilizando 18F-FDG PET/CT como referencia.
• Evaluación utilizando los coeficientes de similitud de los dados (DSC) y la distancia de Hausdorff (HD95).
• Evaluación prospectiva en dos casos clínicos para la radioterapia conservadora de ABM.

Principales resultados:

• El modelo híbrido nnU-Net demostró un rendimiento superior en la segmentación de A_IBM, A_LVBM y A_SBM con altos DSC.
• El nnU-Net híbrido mostró mejoras significativas en la precisión en comparación con la mayoría de los otros modelos DL.
• Los casos prospectivos tratados con radioterapia conservadora de ABM no presentaron toxicidad hematológica de grado ≥2.

Conclusiones:

• El modelo híbrido nnU-Net segmenta con precisión ABM en imágenes de TC en pacientes con cáncer ginecológico.
• Este enfoque DL tiene un potencial significativo para la implementación de la radioterapia de ahorro de ABM.
• Los hallazgos apoyan la integración de la IA en la optimización de la radioterapia para mejorar los resultados de los pacientes.