Evaluación cuantitativa de la segmentación de órganos basada en IA en múltiples sitios anatómicos utilizando ocho...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en el cuidado de la salud
• Planificación de la radioterapia

Sus antecedentes:

• La segmentación automatizada de órganos en riesgo (OAR) utilizando inteligencia artificial (IA) ofrece ganancias potenciales de eficiencia en la planificación de la radioterapia.
• Sin embargo, la variabilidad en el rendimiento del software de IA requiere una evaluación cuidadosa antes de la implementación clínica.

Objetivo del estudio:

• Evaluar la precisión y la variabilidad de segmentación de ocho plataformas comerciales de software de IA en diversos sitios anatómicos.
• Para comparar los contornos generados por la IA con los estándares clínicos utilizando múltiples métricas.
• Proporcionar recomendaciones para la adopción clínica de la segmentación OAR basada en la IA.

Principales métodos:

• Análisis retrospectivo de 160 conjuntos de datos de TC de planificación de las regiones de cabeza y cuello, tórax, abdomen y pelvis.
• Evaluación de 31 OAR segmentados por el software de IA con respecto a los contornos clínicos utilizando el coeficiente de similitud de dados (DSC), la distancia de Hausdorff (HD95) y la longitud de trayectoria agregada relativa (RAPL).
• Análisis estadístico mediante ANOVA de dos factores para cuantificar la variabilidad entre programas y entre pacientes.

Principales resultados:

• Se observó una variabilidad significativa entre el software y el paciente en la precisión de la segmentación OAR (p<0,05).
• Las mayores variaciones inter-software en el DSC se observaron para el esófago cervical (0.41), la tráquea (0.10), la médula espinal (0.13) y la próstata (0.17).
• La precisión de segmentación varió, con 7 OARs logrando una media de DSC > 0,9, 15 entre 0,7-0,89 y otros por debajo de 0,7. Más de la mitad (52%) de los OAR mostraron RAPL < 0,1.

Conclusiones:

• El software de segmentación OAR basado en IA exhibe una variabilidad significativa en el rendimiento en diferentes plataformas y anatomías de pacientes.
• Estos hallazgos subrayan la necesidad crítica de una puesta en marcha, validación y control de calidad rigurosos del software.
• La implementación de protocolos de prueba estandarizados es esencial para la integración clínica segura y efectiva de las herramientas de segmentación de IA.