Cambio de Dominio en la Segmentación de Tumores de RM DCE de Mama: Un Estudio Equilibrado de LoCoCV en el Conjunto de...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial en Medicina
• Oncología

Sus antecedentes:

• La segmentación precisa de tumores de mama en RM con contraste dinámico (DCE-MRI) es vital para el tratamiento y seguimiento del cáncer.
• Los modelos de aprendizaje profundo a menudo exhiben una degradación del rendimiento cuando se aplican a datos de diferentes hospitales debido a variaciones en el hardware, los protocolos y las poblaciones de pacientes (cambio de dominio relacionado con el centro).

Objetivo del estudio:

• Investigar el impacto del cambio de dominio relacionado con el centro en la segmentación automatizada de tumores de RM DCE de mama utilizando el conjunto de datos multicéntrico MAMA-MIA.
• Evaluar la efectividad de diferentes estrategias de validación cruzada para evaluar la generalización del modelo entre instituciones.

Principales métodos:

• Se entrenó un modelo U-Net 3D para la segmentación del tumor primario.
• Se evaluó el rendimiento utilizando dos configuraciones: una división aleatoria paciente por paciente (en distribución) y un protocolo equilibrado de validación cruzada leave-one-center-out (LoCoCV) (fuera de distribución).
• Se evaluó la precisión de la segmentación utilizando el coeficiente de similitud Dice (DSC), la distancia de Hausdorff del percentil 95 (HD95), la sensibilidad y la especificidad.

Principales resultados:

• En la división aleatoria entre centros, el modelo logró una Dice media de ~0.68 y una HD95 de ~19.7 mm, lo que indica un buen rendimiento cuando las distribuciones de entrenamiento y prueba coinciden.
• Bajo LoCoCV equilibrado, el rendimiento se degradó significativamente con una Dice media de ~0.45 y una HD95 de ~41 mm en centros no vistos, lo que demuestra una pérdida sustancial de precisión.
• La validación entre centros reveló un aumento de los errores de contorno y una reducción de la fiabilidad de la segmentación cuando los modelos se aplican a nuevas instituciones.

Conclusiones:

• Los modelos que funcionan bien con datos mixtos entre centros pueden experimentar una pérdida significativa de precisión en instituciones no vistas.
• El protocolo LoCoCV equilibrado resalta eficazmente la penalización fuera de distribución causada por el cambio de dominio relacionado con el centro.
• Enfatiza la necesidad crítica de estrategias de entrenamiento multicéntricas robustas y validación explícita entre centros para la implementación clínica de modelos de segmentación de RM DCE de mama.