Segmentador de cáncer hepático: Clasificación de confianza guiada por metadatos para la segmentación confiable de metástasis colorrectales en el hígado en TC.

Este estudio presenta el segmentador de cáncer hepático (LCS), un modelo de aprendizaje profundo diseñado para la segmentación automática y robusta del parénquima hepático y los tumores en imágenes de tomografía computarizada con contraste abdominal de pacientes con metástasis hepáticas de carcinoma colorrectal. El objetivo principal fue mejorar el puntaje de confianza para una evaluación clínica de segmentación más fiable. En este estudio retrospectivo, se recopilaron 446 exámenes de tomografía computarizada con contraste abdominal; 355 (80%) fueron utilizados para entrenamiento y 91 para pruebas. Los datos procedían de casos clínicos rutinarios en dos instituciones, representando diversas etapas de la enfermedad y configuraciones de tratamiento.

Se entrenó un marco de segmentación de redes neuronales de vanguardia en estos casos, con el rendimiento evaluado mediante la puntuación de Dice y la distancia normalizada de superficie. Un proceso de entrenamiento iterativo, respaldado por una tarea integrada de anotación, se empleó para refinar el conjunto de entrenamiento. El modelo final se aplicó a los 91 exámenes de prueba para evaluar el impacto del volumen tumoral y la espesor de corte en el puntaje de confianza. La fiabilidad se cuantificó mediante la puntuación de Dice par a par para la detección de fallos y el área bajo la curva de cobertura de riesgo.

El LCS logró una puntuación de Dice de 0,9707 (IC del 95%: 0,9663-0,9751) para el parénquima hepático y 0,7695 (IC del 95%: 0,7166-0,8224) para los tumores. Los valores de distancia normalizada de superficie a una tolerancia de 3 milímetros fueron 0,9605 (IC del 95%: 0,9539-0,9671) para el parénquima y 0,8412 (IC del 95%: 0,7928-0,8896) para los tumores. El análisis de puntaje de confianza demostró correlaciones fuertes entre el volumen tumoral, la espesor de corte y la fiabilidad de la segmentación, reduciendo el área bajo la curva de cobertura de riesgo de 16,7 a 10,3. El LCS logró una alta precisión en la segmentación en pacientes con metástasis hepáticas de carcinoma colorrectal.

Incorporar el volumen tumoral y la espesor de corte en el proceso de puntaje de confianza mejoró la detección de fallos, aumentó la fiabilidad y proporcionó valiosas perspectivas para refinar la implementación clínica de algoritmos de segmentación automatizada.