Cuantificación de la Explicabilidad en la Segmentación OCT de Agujeros y Quistes Maculares: Un Análisis de Cobertura...

Área de la Ciencia:

• Oftalmología
• Imagenología Médica
• Inteligencia Artificial

Sus antecedentes:

• La tomografía de coherencia óptica (OCT) es crucial para cuantificar la morfología y las dimensiones de los agujeros maculares (MHs), lo que ayuda en el diagnóstico y la planificación del tratamiento.
• La segmentación precisa de los MHs y los quistes asociados en los volúmenes OCT es esencial para un manejo clínico eficaz.

Objetivo del estudio:

• Desarrollar y evaluar un modelo de aprendizaje profundo para la segmentación automática de agujeros maculares (MHs) y quistes en volúmenes maculares OCT.
• Evaluar cuantitativamente la fiabilidad de las decisiones del modelo utilizando regiones de enfoque y explicabilidad basada en GradientSHAP.

Principales métodos:

• Se empleó un modelo de aprendizaje profundo basado en UNet-48 con una estrategia de apilamiento 2.5D para la segmentación de MHs y quistes en el conjunto de datos OCT OIMHS.
• El rendimiento se evaluó utilizando Dice, intersección sobre unión (IoU), distancia de Hausdorff (HD95) y error de calibración esperado (ECE).
• Se utilizó GradientSHAP para la explicabilidad, cuantificando la cobertura de la lesión (APILτ, ARILτ) y el enfoque espacial (COM-dist).

Principales resultados:

• El modelo logró un alto rendimiento de segmentación con valores de Dice/IoU de 0.94/0.91 para MHs y 0.87/0.81 para quistes.
• Se demostró una excelente precisión de los límites (HD95 = 6 px) y calibración (ECE = 0.008) en todas las clases de lesiones.
• El análisis GradientSHAP reveló distintos regímenes de explicación (dominante en retina, perilesional, cobertura estrecha), con una mejora en la concordancia en el modo de predicción.

Conclusiones:

• El modelo de aprendizaje profundo demuestra alta precisión y buena calibración para la segmentación de MHs y quistes en imágenes OCT.
• La explicabilidad cuantitativa utilizando GradientSHAP valida los resultados de segmentación del modelo y proporciona información sobre su proceso de toma de decisiones.
• Los escenarios de cobertura perilesional y estrecha requieren una cuidadosa interpretación clínica, lo que resalta la utilidad de la explicabilidad para identificar casos desafiantes.