Impacto de la incertidumbre del modelo de aprendizaje profundo en las correcciones manuales de la auto-segmentación...

Área de la Ciencia:

• La radioterapia
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La segmentación de órganos de aprendizaje profundo (DL) es vital en la radioterapia.
• Los mapas de incertidumbre de Voxel de los modelos de DL están subutilizados clínicamente.

Objetivo del estudio:

• Evaluar el impacto de los mapas de incertidumbre generados por DL en los oncólogos de radiación.
• Evaluar la influencia en la corrección manual de la auto-segmentación de DL para la radioterapia de próstata.

Principales métodos:

• Se entrenaron modelos de nnUNet DL para la CTV de próstata y la segmentación del recto en 434 casos.
• Incertidumbre voxel calculada utilizando la desviación estándar de SoftMax.
• Cuatro oncólogos clasificaron las segmentaciones de DL con / sin mapas de incertidumbre, registrando los tiempos de edición.

Principales resultados:

• Los modelos DL lograron una alta precisión de segmentación (Dice 0.97-0.99).
• Los mapas de incertidumbre redujeron el tiempo de segmentación en un 14-33% para tres oncólogos.
• Se produjeron menos ediciones en regiones de baja incertidumbre (0.0-0.1) con el uso de mapas.

Conclusiones:

• Los mapas de incertidumbre de DL influyen en la toma de decisiones y la confianza de los oncólogos.
• Las regiones de baja incertidumbre mostraron una mayor dependencia de las predicciones de DL.
• Los mapas de incertidumbre mejoran la eficiencia de la planificación de la radioterapia y la utilidad clínica.