Robustness Evaluation of a Foundation Segmentation Model Under Simulated Domain Shifts in Abdominal CT: Implications for Health Digital Twin Deployment

Aquí se presenta un resumen técnico detallado del artículo "Evaluación de la robustez de un modelo de segmentación de fundamentos bajo desplazamientos de dominio simulados en TC abdominal: Implicaciones para el despliegue de Gemelos Digitales de Salud".

1. Planteamiento del Problema

Los modelos de fundamentos como el Modelo de Segmentar Cualquier Cosa (SAM) han demostrado una fuerte generalización en imágenes naturales, pero carecen de una cuantificación suficiente de su robustez bajo desplazamientos de dominio en imágenes médicas clínicamente realistas. En entornos clínicos, las imágenes de Tomografía Computarizada (TC) varían significativamente debido a diferencias en el hardware del escáner, protocolos de adquisición, kernels de reconstrucción y posicionamiento del paciente.

Para los Gemelos Digitales de Salud (HDT) —modelos computacionales dinámicos de pacientes que dependen de un modelado anatómico continuo y preciso—, estos desplazamientos de dominio representan un riesgo crítico. Si la columna vertebral de segmentación (por ejemplo, SAM) falla o se degrada bajo la variabilidad entre escáneres, las actualizaciones de estado del gemelo digital, el monitoreo longitudinal y las decisiones clínicas posteriores se vuelven poco fiables. Existe la necesidad de una auditoría sistemática para determinar si los modelos de fundamentos pueden servir como líneas base estables para el despliegue de HDT.

2. Metodología

El estudio realizó una auditoría sistemática de robustez a nivel de corte de SAM (ViT-B) para la segmentación del bazo en tomografías computarizadas abdominales.

• Conjunto de datos: 41 volúmenes de TC abdominal del Desafío de Segmentación Médica (Task 09: Bazo), generando 1.051 cortes axiales no vacíos.
• Preprocesamiento: Las imágenes se ajustaron a una ventana (Nivel=50 UH, Ancho=400 UH), se recortaron a [0, 255] y se convirtieron a RGB de 3 canales.
• Protocolo de Prompting: Se utilizó un cuadro delimitador derivado de la Verdad Terrenal (GT) como prompt. Este enfoque de "oráculo" aísla la robustez del codificador de la incertidumbre del prompt, proporcionando una estimación limpia del límite superior de la estabilidad del modelo.
• Condiciones de Perturbación: Se aplicaron diez perturbaciones controladas para simular la variabilidad entre escáneres en cinco tipos:
  1. Desenfoque Gaussiano: Tamaños de kernel $k=3, 7$ (simulando variación de la PSF).
  2. Ruido Gaussiano: Desviaciones estándar $\sigma=10, 25$ (simulando ruido del detector).
  3. Discrepancia de Resolución: Factores de submuestreo + remuestreo de $0.5x$ y $0.25x$.
  4. Escala de Contraste: Multiplicadores $0.8$y$1.2$.
  5. Corrección Gamma: Exponentes $0.8$y$1.2$.
• Métricas de Evaluación:
  • Coeficiente de Similitud Dice (DSC) y Intersección sobre Unión (IoU).
  • $\Delta$Dice: La diferencia entre las puntuaciones Dice de la línea base limpia y la perturbada.
  • Tasa de Fallo: Definida como cortes con Dice < 0.5.
• Análisis Estadístico:
  • Pruebas de rangos con signo de Wilcoxon apareadas para la significancia de $\Delta$Dice.
  • Prueba de McNemar para cambios en las tasas de fallo.
  • Corrección Benjamini-Hochberg (FDR) aplicada a todos los valores $p$ para manejar comparaciones múltiples.
  • Remuestreo Bootstrap (10.000 iteraciones) para Intervalos de Confianza (IC) del 95%.

3. Contribuciones Clave

1. Protocolo de Evaluación Estandarizado: Introducción de un protocolo de prompt de cuadro derivado de GT para aislar la robustez del codificador de la variabilidad del prompt, estableciendo un marco reproducible para auditorías de modelos de fundamentos.
2. Auditoría de Robustez a Gran Escala: Evaluación de 1.051 cortes a través de 10 condiciones distintas de desplazamiento de dominio, cuantificando la degradación (o mejora) del rendimiento con rigor estadístico.
3. Caracterización Estadística: Proporció valores cuantificados de $\Delta$Dice, tamaños del efecto (correlación biserial de rangos) y análisis de tasas de fallo con pruebas de significancia corregidas por FDR.
4. Marco de Integración de Gemelos Digitales: Mapeó el papel de SAM dentro de un pipeline de Gemelo Digital de Salud de 5 etapas, validando su idoneidad como la capa de "Análisis Anatómico".
5. Comparación Transversal de Dominios: Comparó el rendimiento de SAM contra modelos especializados (por ejemplo, nnU-Net) en cinco dominios médicos (Bazo, Riñón, Hígado, RM Cerebral, Histopatología) para contextualizar sus capacidades de cero disparos.

4. Resultados Clave

• Rendimiento de Línea Base: Bajo condiciones limpias, SAM (ViT-B) logró una puntuación Dice media de 0.9145 (IC 95%: [0.909, 0.919]) con una tasa de fallo de solo 0.67%.
• Robustez ante Perturbaciones:
  • En las 10 condiciones, la media absoluta de $\Delta$Dice se mantuvo por debajo de 0.01.
  • Significancia Estadística: Aunque algunas condiciones (por ejemplo, desenfoque leve, submuestreo moderado) mostraron mejoras estadísticamente significativas (probablemente debido a la supresión de ruido), y otras (reducción de gamma, aumento de contraste) mostraron una ligera degradación, los tamaños del efecto fueron despreciables ($|r| < 0.08$).
  • Tasas de Fallo: Ninguna condición de perturbación resultó en un aumento estadísticamente significativo de la tasa de fallo (Dice < 0.5) en comparación con la línea base (todos los valores $p$ ajustados por FDR > 0.05).
• Perfil de Fiabilidad:
  • El 81.1% de los cortes alcanzó un Dice $\ge$ 0.9.
  • El 99.3% de los cortes superó un Dice $\ge$ 0.5.
• Comparación Transversal de Dominios:
  • Alto Rendimiento: SAM obtuvo los mejores resultados en órganos parenquimatosos de TC (Bazo, Riñón, Hígado), con brechas respecto a modelos especializados que oscilaron entre 0.049 y 0.090.
  • Bajo Rendimiento: Se observaron brechas significativas en RM Cerebral (T1ce) y Histopatología (H&E), donde los priores de imágenes naturales no lograron alinearse con las características visuales médicas (por ejemplo, edema vs. tumor, textura de la cromatina).

5. Significado e Implicaciones

• Validación para Gemelos Digitales de Salud: El estudio confirma que SAM exhibe un comportamiento de segmentación estable bajo variabilidad inter-escáner moderada. Esto lo convierte en una línea base de fundamentos viable y robusta para la capa de modelado anatómico de los Gemelos Digitales de Salud, asegurando que las actualizaciones de estado y el monitoreo longitudinal no se vean corrompidos por variaciones de imagen rutinarias.
• Listo para el Despliegue: Los hallazgos sugieren que, para estructuras de TC de alto contraste (como el bazo), SAM puede desplegarse con confianza en cuanto a la estabilidad del codificador. Sin embargo, los autores advierten que:
  • El uso de cuadros derivados de GT es un escenario de "oráculo"; el prompting automatizado en el mundo real requiere una validación adicional.
  • El rendimiento varía según el órgano y la modalidad; los órganos con formas complejas o bajo contraste (por ejemplo, páncreas, tumores cerebrales) pueden requerir validación específica.
• Marco para la Gobernanza: El protocolo de auditoría propuesto (perturbación controlada + pruebas estadísticas apareadas + perfilado de fiabilidad) ofrece un estándar reutilizable para validar cualquier componente de segmentación antes de su integración en sistemas de IA clínica, un paso crítico hacia una gobernanza de IA confiable.

Conclusión: SAM (ViT-B) demuestra una robustez suficiente para servir como columna vertebral confiable para la segmentación del bazo en entornos clínicos multi-sitio, apoyando su integración en arquitecturas de Gemelos Digitales de Salud, siempre que las incertidumbres específicas del órgano y de la generación de prompts se gestionen en futuras fases de despliegue.