Mejora de la radioterapia adaptativa en línea con la detección de errores de segmentación basada en la incertidumbre...

Área de la Ciencia:

• Física Médica
• Radioterapia
• Inteligencia Artificial en Medicina

Sus antecedentes:

• La segmentación anatómica introduce una incertidumbre significativa en la radioterapia adaptativa en línea.
• Los modelos de aprendizaje profundo (DL) se utilizan cada vez más para la segmentación en flujos de trabajo de radioterapia.
• La segmentación precisa es crucial para la administración precisa de radiación y la seguridad del paciente.

Objetivo del estudio:

• Investigar la relación entre la incertidumbre estimada de la segmentación DL y la precisión de la segmentación.
• Evaluar la capacidad de la estimación de incertidumbre para detectar datos fuera de distribución (OOD).
• Evaluar la utilidad de la estimación de incertidumbre para el control de calidad en radioterapia adaptativa.

Principales métodos:

• Se aplicó Monte Carlo dropout a un modelo DL para segmentar imágenes de cáncer de próstata (volumen tumoral clínico, vejiga, recto) de radioterapia guiada por RM.
• Se utilizó la entropía predictiva (PE) para cuantificar la incertidumbre del modelo y los datos, estableciendo un umbral para clasificar las segmentaciones como 'seguras' o 'inciertas'.
• Se empleó información mutua (MI) para diferenciar datos de distribución (ID) de datos fuera de distribución (OOD) utilizando exploraciones de RM de voluntarios sanos.

Principales resultados:

• El modelo de segmentación DL logró altas puntuaciones de Dice (por ejemplo, 94,8 % para la vejiga).
• Valores de PE más altos se correlacionaron con los bordes de segmentación y predicciones incorrectas, lo que permitió la detección de errores.
• La información mutua logró una separación del 100 % entre datos ID y OOD, demostrando robustez frente a entradas inesperadas.

Conclusiones:

• La estimación de incertidumbre en la segmentación DL para radioterapia de cáncer de próstata guiada por RM se correlaciona con la precisión de la segmentación (puntuaciones de Dice).
• Este enfoque muestra ser prometedor para la evaluación de calidad en tiempo real de las segmentaciones dentro del flujo de trabajo de radioterapia adaptativa.
• Los hallazgos preliminares sugieren que la estimación de incertidumbre puede diferenciar eficazmente entre datos esperados (ID) y datos inesperados (OOD).