AnatomicalNets: A Multi-Structure Segmentation and Contour-Based Distance Estimation Pipeline for Clinically Grounded Lung Cancer T-Staging

1. Planteamiento del Problema

El estadiaje preciso del cáncer de pulmón es fundamental para el pronóstico y la planificación del tratamiento, regido por criterios anatómicos explícitos de la Asociación Internacional para el Estudio del Cáncer de Pulmón (IASLC). Sin embargo, la mayoría de los enfoques actuales de aprendizaje profundo tratan el estadiaje T como un problema de clasificación de imágenes "caja negra" (end-to-end), ignorando la estructura espacial y los criterios cuantitativos necesarios.

• Limitaciones de los métodos existentes: Las redes neuronales convolucionales (CNN) estándar no explícitan el contexto anatómico ni miden las distancias críticas entre el tumor y estructuras adyacentes (mediastino, diafragma, paredes torácicas).
• Complejidad clínica: El estadiaje T no depende solo del tamaño del tumor (T1-T4 basados en cm), sino también de la invasión de estructuras críticas. Un tumor pequeño que invade el mediastino se clasifica como T4, mientras que un tumor grande rodeado solo por tejido pulmonar puede ser T3. Los modelos de clasificación pura a menudo fallan en estas distinciones finas y carecen de interpretabilidad clínica.

2. Metodología Propuesta: AnatomicalNets

Los autores proponen AnatomicalNets, una tubería (pipeline) multi-etapa que reformula el estadiaje como un problema de medición y razonamiento basado en reglas, en lugar de una simple mapeo de clasificación. El flujo de trabajo consta de las siguientes etapas:

A. Segmentación Multi-Estructura (AnatomicalNets)

Se emplean tres redes codificador-decodificador (E-D) dedicadas, entrenadas en múltiples conjuntos de datos públicos y aplicadas al conjunto principal (Lung-PET-CT-Dx) mediante una estrategia de inferencia cruzada:

1. LungNet: Segmenta el parénquima pulmonar. Utiliza un codificador DenseNet-121 y un decodificador tipo U-Net.
2. MediNet: Segmenta el mediastino. Utiliza DenseNet-121 como codificador y una arquitectura UNet++ como decodificador para una mejor agregación de características.
3. TumorNet: Genera máscaras de segmentación precisas del tumor. Utiliza un codificador ResNet-152 y un decodificador FPN (Feature Pyramid Network). Opera sobre regiones de interés (ROI) recortadas.

B. Detección y Estimación de Límites

• Detección de Tumores: Se utiliza un modelo YOLOv11 entrenado en el conjunto principal para localizar tumores y generar ROIs cuando no existen máscaras de ground truth.
• Estimación del Diafragma: Dado que faltan datos etiquetados para el diafragma, se propone un heurístico basado en el contorno de la máscara pulmonar (identificando los 10% inferiores de los píxeles del contorno pulmonar) para estimar la posición del diafragma.

C. Medición Cuantitativa Basada en Contornos

A partir de las máscaras generadas, se calculan métricas geométricas críticas:

• Dimensión máxima del tumor: Calculada como la mayor distancia euclidiana entre puntos del contorno (considerando ancho, alto y profundidad por número de cortes).
• Distancias de proximidad: Se mide la distancia en píxeles (convertida a unidades físicas) entre el contorno del tumor y las estructuras adyacentes (paredes pulmonares, mediastino, diafragma estimado). Una distancia de cero implica invasión directa.

D. Módulo de Decisión Determinista

Las características extraídas se pasan a un módulo de decisión que aplica estrictamente las reglas de la IASLC:

• T1: ≤ 3 cm y rodeado de tejido pulmonar.
• T2: > 3 cm pero ≤ 5 cm.
• T3: > 5 cm pero ≤ 7 cm.
• T4: > 7 cm O invasión de estructuras críticas (mediastino, diafragma, etc.).

3. Contribuciones Clave

1. Marco Interpretativo: Se aleja de los clasificadores de caja negra, ofreciendo un pipeline transparente donde la decisión clínica se basa en mediciones anatómicas explícitas.
2. Arquitectura Especializada: Diseño de tres redes específicas (LungNet, MediNet, TumorNet) optimizadas para estructuras anatómicas distintas, superando el enfoque de "una red para todo".
3. Estrategia de Inferencia Cruzada: Capacidad de entrenar modelos de segmentación en múltiples datasets públicos y aplicarlos a un dataset principal sin máscaras de ground truth anatómicas completas, generando "máscaras sustitutas" de alta calidad.
4. Módulo de Medición Geométrica: Implementación de un método basado en contornos para cuantificar tamaño y proximidad, alineado directamente con los criterios diagnósticos humanos.

4. Resultados Experimentales

El modelo se evaluó en el dataset Lung-PET-CT-Dx (220 pacientes, 31,717 cortes CT).

• Precisión Global: AnatomicalNets alcanzó una exactitud de clasificación del 91.36%.
• Puntuaciones F1 por Etapa:
  • T1: 0.93
  • T2: 0.89
  • T3: 0.96
  • T4: 0.90
• Comparativa con CNN Tradicionales: Los modelos de clasificación estándar (ResNet152, DenseNet121, Swin Transformer) obtuvieron una precisión máxima de ~40% y un F1 promedio de ~39.81%, demostrando la superioridad crítica del enfoque basado en medición.
• Análisis de Errores: Las clasificaciones incorrectas en T4 se atribuyeron principalmente a la presencia de nódulos multifocales (criterio T4 no capturado por la medición de un solo nódulo) y a la invasión de estructuras no incluidas en el modelo actual (como la tráquea o el esófago), lo cual se identifica como una limitación futura.

5. Significado e Impacto

Este trabajo establece un nuevo paradigma para la clasificación de tumores mediante IA en medicina:

• Puente entre IA y Clínica: Conecta el rendimiento de alto nivel del aprendizaje profundo con la interpretabilidad requerida por los médicos. El sistema no solo predice una etiqueta, sino que proporciona las mediciones anatómicas que justifican la decisión.
• Fiabilidad en Casos Límite: Al basarse en reglas explícitas en lugar de patrones de píxeles aprendidos implícitamente, el sistema es más robusto para casos donde la diferencia entre estadios es sutil pero crítica.
• Reproducibilidad: La metodología es reproducible y transparente, permitiendo a los radiólogos auditar el proceso de decisión (tamaño, distancias), lo cual es vital para la adopción clínica.

En conclusión, AnatomicalNets demuestra que la integración de la segmentación anatómica precisa con la lógica clínica cuantitativa supera significativamente a los enfoques de clasificación pura, ofreciendo una herramienta prometedora para la planificación del tratamiento del cáncer de pulmón.