Calidad frente a cantidad de conjuntos de datos de entrenamiento para la segmentación de hígado completo basada en...

Área de la Ciencia:

• Imágenes médicas e inteligencia artificial
• Patología y radiología computacional
• Aprendizaje automático para el análisis de imágenes médicas

Sus antecedentes:

• Los modelos de segmentación de inteligencia artificial (IA) requieren conjuntos de datos grandes y curados para un entrenamiento eficaz, que a menudo son limitados en aplicaciones médicas.
• La calidad y la cantidad de datos anotados influyen significativamente en el rendimiento y la generalización de los modelos de IA en la segmentación de imágenes médicas.

Objetivo del estudio:

• Comparar el impacto de la calidad de la anotación del conjunto de datos frente a la cantidad en el rendimiento de la segmentación de hígado completo por IA.
• Evaluar cómo las diferentes estrategias de curación de conjuntos de datos afectan el Coeficiente de Similitud de Dice (DSC), el DSC de superficie (SD), la distancia de Hausdorff (HD) y el DSC de corte (Slice DSC).

Principales métodos:

• Se entrenaron modelos de segmentación 3D nnU-Net utilizando conjuntos de datos con diferentes niveles de curación (mixta vs. altamente curada) y tamaños.
• Se utilizaron 3.089 escaneos de TC abdominales, reteniendo 249 para pruebas y validación externa.
• Se evaluó el rendimiento del modelo utilizando las métricas DSC, SD 2 mm, HD95 y Slice DSC.

Principales resultados:

• Un conjunto de datos de 244 escaneos altamente curado logró un rendimiento estadísticamente indistinguible de un conjunto de datos de 2.840 escaneos de curación mixta en métricas 3D.
• El conjunto de datos de curación mixta de 710 escaneos superó significativamente al modelo de 244 escaneos altamente curado en escaneos de validación externa (DSC de corte: 0,929 frente a 0,923).
• Los conjuntos de datos altamente curados demostraron un rendimiento equivalente a conjuntos de datos de magnitud diez veces mayor, y los conjuntos de datos de curación mixta más grandes mostraron beneficios en la generalización.

Conclusiones:

• Las compensaciones entre la calidad y la cantidad del conjunto de datos en el entrenamiento de modelos de IA son matizadas y dependen de los objetivos específicos.
• Las anotaciones de alta calidad pueden producir un rendimiento comparable a conjuntos de datos más grandes y menos curados para ciertas tareas de segmentación.
• Los conjuntos de datos más grandes y de curación mixta pueden ofrecer ventajas en la generalización del modelo y mejoras de rendimiento local.