Una revisión de los métodos de aprendizaje profundo para la segmentación del glioma, las limitaciones y las...

Área de la Ciencia:

• Análisis de imágenes médicas
• La inteligencia artificial en la medicina
• Neuro-oncología

Sus antecedentes:

• La segmentación precisa del glioma por resonancia magnética es vital para el manejo clínico.
• La complejidad del tumor presenta desafíos de segmentación significativos.
• Los métodos de aprendizaje profundo existentes requieren evaluación para su despliegue clínico.

Objetivo del estudio:

• Revisar exhaustivamente los modelos de aprendizaje profundo (DL) para la segmentación del glioma.
• Para cerrar la brecha entre el rendimiento de la investigación y la aplicabilidad clínica.
• Evaluar modelos basados en la precisión, la eficiencia computacional y la idoneidad clínica.

Principales métodos:

• Revisión sistemática de más de 80 modelos DL de última generación (CNN, transformador, híbrido) hasta el año 2025.
• Evaluación del rendimiento de los conjuntos de datos BraTS.
• Análisis de la idoneidad teniendo en cuenta la robustez, la eficiencia y la delineación del tumor.

Principales resultados:

• Categoría de modelos basados en CNN, Pure Transformer y arquitecturas híbridas.
• Comparación de la precisión de la segmentación y la eficiencia computacional.
• Identificación de las compensaciones entre el rendimiento técnico y la usabilidad clínica.

Conclusiones:

• El aprendizaje profundo es prometedor para la segmentación automática del glioma.
• Se necesita más investigación para optimizar los modelos para entornos clínicos del mundo real.
• Equilibrar el rendimiento con la eficiencia es clave para mejorar los resultados diagnósticos.