Optimización de prueba guiada por incertidumbre para la personalización de modelos de segmentación en imágenes...

Área de la Ciencia:

• Inteligencia artificial en imágenes médicas
• Aprendizaje automático para la atención médica
• Diagnóstico asistido por computadora

Sus antecedentes:

• La segmentación precisa de escaneos médicos longitudinales es crucial para el monitoreo y tratamiento del paciente.
• Los modelos personalizados actuales a menudo utilizan duraciones de entrenamiento fijas y carecen de criterios de parada óptimos, especialmente sin etiquetas de validación.

Objetivo del estudio:

• Desarrollar un marco de optimización de prueba (TTO) guiado por incertidumbre para la personalización dinámica y específica del paciente de modelos de segmentación.
• Permitir criterios de parada sin validación basados en la incertidumbre predictiva.

Principales métodos:

• Se personalizó un modelo de segmentación generalizado utilizando exploraciones previas específicas del paciente y optimización en tiempo de prueba.
• Se utilizó Monte Carlo Dropout (TTO-MCD) y Deep Ensembling (TTO-DE) para estimar la incertidumbre predictiva de vóxeles.
• Se evaluó en conjuntos de datos de tumores de páncreas, hígado y cabeza y cuello, comparando con un baseline de época fija (Pre-TTO).

Principales resultados:

• Los métodos TTO superaron significativamente a los baselines Pre-TTO y no personalizados en máltiples métricas de segmentación (DSC, HD95, MSD, LPS).
• Se observaron mejoras estadísticamente significativas para los conjuntos de datos de páncreas e hígado (p < 0,05).
• TTO-MCD y TTO-DE lograron un alto rendimiento sin requerir etiquetas de prueba.

Conclusiones:

• El TTO guiado por incertidumbre ofrece un enfoque robusto y sin validación para optimizar modelos de segmentación específicos del paciente en imágenes longitudinales.
• El marco mejora la calidad de la segmentación en diversas modalidades y objetivos anatómicos.
• Este método apoya la implementación clínica de IA personalizada en imágenes médicas.