Aprendizaje profundo multitarea para la segmentación automática de imágenes y la evaluación de la respuesta al...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• En el campo de la oncología

Sus antecedentes:

• El carcinoma seroso de ovario de alto grado (HGSOC) es complejo y a menudo se detecta en etapas avanzadas.
• La quimioterapia neoadyuvante (NACT) seguida de cirugía es un tratamiento común, pero la evaluación de la respuesta es un desafío debido a la heterogeneidad del tumor.

Objetivo del estudio:

• Desarrollar y validar un enfoque de aprendizaje profundo multitarea para la segmentación simultánea y la evaluación de la respuesta al tratamiento en el cáncer de ovario metastásico.
• Comparar las tomografías computarizadas con contraste (CE-CT) antes y después del tratamiento para evaluar la eficacia de la quimioterapia.

Principales métodos:

• Se desarrolló un modelo de aprendizaje profundo multi-tareas que utiliza dos arquitecturas U-Net.
• El modelo integra características de escala múltiple para la segmentación simultánea de lesiones pélvicas/ováricas y omentales.
• Se formó en 198 exploraciones CE-CT de 99 pacientes con cáncer de ovario para la segmentación y la predicción de la respuesta.

Principales resultados:

• Se logró un área bajo la curva (AUC) de 0,78 en una cohorte independiente de 49 pacientes.
• El rendimiento de la segmentación (puntuaciones Dice) fue comparable a los métodos de última generación para la segmentación HGSOC.
• Factibilidad demostrada en la evaluación de cambios tumorales inducidos por quimioterapia en múltiples sitios de la enfermedad.

Conclusiones:

• Este es el primer estudio que muestra que un enfoque de aprendizaje profundo de múltiples tareas puede evaluar los cambios tumorales inducidos por la quimioterapia en HGSOC complejo y de múltiples sitios.
• El modelo desarrollado muestra potencial para la evaluación de la respuesta al tratamiento y el monitoreo de la enfermedad en pacientes con cáncer de ovario.