Video Experimental Relacionado
Updated: Jun 18, 2026
Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
Desempeño de los modelos de segmentación automática de múltiples proveedores para los órganos torácicos en riesgo
Sevgi Emin1, Elia Rossi2, Mattias Hedman2
1Department of Nuclear Medicine and Medical Physics, Karolinska University Hospital, 171 76 Stockholm, Sweden; Department of Oncology-Pathology, Karolinska Institutet, 171 77 Stockholm, Sweden.
Los modelos de auto-segmentación de inteligencia artificial (IA) muestran un fuerte rendimiento para muchos órganos torácicos en riesgo (OAR) en pacientes con cáncer de pulmón, superando la variabilidad humana. Sin embargo, la IA lucha con órganos complejos como el plexo braquial, la vena pulmonar y la vena cava inferior.
Área de la Ciencia:
- La radioterapia
- Imágenes médicas
- Inteligencia artificial
Sus antecedentes:
- La evaluación de la auto-segmentación de la inteligencia artificial (IA) para los órganos torácicos en riesgo (OAR) es crucial para su adopción clínica.
- El rendimiento intrínseco de las soluciones comerciales de IA es difícil de evaluar debido a los diversos conjuntos de datos de capacitación.
- Los OAR torácicos desafiantes fueron seleccionados para identificar las limitaciones de la IA.
Objetivo del estudio:
- Evaluar la calidad de la delineación de los modelos de auto-segmentación basados en IA para la OAR torácica.
- Comparar el rendimiento del modelo de IA con la segmentación manual de expertos y la variabilidad entre observadores.
- Identificar las RAE específicas en las que la segmentación automática de la IA se enfrenta a limitaciones.
Principales métodos:
- Los proveedores desarrollaron tres modelos de IA utilizando un conjunto de datos de capacitación proporcionado.
- Los modelos se probaron en un conjunto de datos ciego de 250 pacientes con cáncer de pulmón.
- Las métricas cuantitativas incluyeron el coeficiente de similitud de dados (DSC), el DSC de superficie (sDSC), la distancia de Hausdorff (HD95) y la distancia de superficie simétrica promedio (ASSD).
Principales resultados:
- La mayoría de los OAR alcanzaron valores altos de DSC (> 0,8) y sDSC (> 0,8).
- El plexo braquial, la vena pulmonar y la vena cava inferior fueron los más desafiantes para la auto-segmentación de la IA.
- El rendimiento del modelo de IA superó la variabilidad entre observadores en todas las métricas evaluadas.
Conclusiones:
- Los modelos de IA demuestran un fuerte rendimiento para varios OAR torácicos.
- La auto-segmentación de IA lucha con órganos caracterizados por estructuras ramificadas y un pobre contraste de imagen.
- Se necesita un mayor desarrollo para mejorar el rendimiento de la IA para la delineación compleja de OAR.
