Deep Learning-Based Whole-Body Lesion Segmentation and Automated OMIS Computation on [68Ga]Ga-DOTA-TOC PET/CT: Technical Feasibility of a SwinUNETR Pipeline for Pre-PRRT Bone Marrow Involvement Scoring

Resumen Técnico: Segmentación de Lesiones en Todo el Cuerpo Basada en Aprendizaje Profundo y Cálculo Automatizado de OMIS

Planteamiento del Problema
Los pacientes con tumores neuroendocrinos (TNE) que se someten a la terapia con receptores de péptidos y radionúclidos (PRRT) con [177Lu]Lu-DOTA-TATE enfrentan un riesgo significativo de toxicidad hematológica, particularmente una trombocitopenia persistente, que puede derivar en síndrome mielodisplásico o leucemia mieloide aguda. El Índice de Invasión Osteo-Medular (OMIS, por sus siglas en inglés) se ha establecido como un biomarcador predictivo para este riesgo, cuantificando la proporción de médula ósea hematológicamente activa invadida por metástasis basándose en el modelo de somatotipo de Cristy. Sin embargo, el cálculo del OMIS requiere actualmente una segmentación manual laboriosa de lesiones en todo el cuerpo por parte de médicos especialistas en medicina nuclear mediante exploraciones PET/TC con [68Ga]Ga-DOTA-TOC. Este proceso manual es lento, dependiente del operador e impracticable para el flujo de trabajo clínico rutinario, lo que dificulta la adopción generalizada del OMIS para la estratificación de riesgos preterapéutica.

Metodología
El estudio evaluó la viabilidad técnica de automatizar este proceso utilizando un flujo de trabajo de aprendizaje profundo.

• Conjunto de Datos: Una cohorte retrospectiva de un solo centro de 115 pacientes (188 exploraciones) se sometió a [68Ga]Ga-DOTA-TOC PET/CT. Los datos se dividieron a nivel de paciente en conjuntos de entrenamiento (150 exploraciones), validación (19 exploraciones) y prueba independiente (19 exploraciones).
• Estándar de Referencia: La segmentación manual fue realizada por dos médicos experimentados en medicina nuclear utilizando 3D Slicer. El OMIS se calculó mapeando las lesiones manuales a las estructuras esqueléticas (delineadas mediante TotalSegmentator en el componente de TC) y aplicando los pesos de Cristy.
• Arquitecturas Evaluadas: Se compararon cuatro configuraciones de entrenamiento a través de tres arquitecturas:
  1. Attention U-Net (desde cero): Entrenada desde una inicialización aleatoria como línea de base.
  2. Attention U-Net (preentrenada con FDG): Inicializada con pesos de un modelo de segmentación de PET/TC con [18F]FDG para probar el aprendizaje por transferencia.
  3. nnU-Net: Un estándar de referencia convolucional de autoconfiguración.
  4. SwinUNETR: Un Transformer de ventana desplazada (Shifted-Window UNet) entrenado desde cero, con la hipótesis de que captura mejor las dependencias espaciales de largo alcance en la enfermedad multifocal de todo el cuerpo.
• Flujo de Trabajo (Pipeline): El modelo seleccionado (SwinUNETR) realizó la segmentación de lesiones en PET/TC. Las máscaras de las lesiones se umbralizaron (30% del SUVmax local) y se intersectaron con las máscaras esqueléticas derivadas de TotalSegmentator para calcular automáticamente el TMTV (Volumen de Tumor Metabólico Total) y el OMIS.
• Detalles de Entrenamiento: Los modelos se entrenaron en una única GPU NVIDIA L40S utilizando la pérdida de Tversky (asimétrica para penalizar más fuertemente los falsos negativos) y aumentación estándar.

Contribuciones Clave

1. Flujo de Trabajo Automatizado de OMIS: El estudio demuestra el primer flujo de trabajo automatizado de extremo a extremo para computar el OMIS, acoplando la segmentación de lesiones en todo el cuerpo con el mapeo de compartimentos esqueléticos y el pesaje de la médula ósea.
2. Comparación de Arquitecturas: Proporciona una comparación rigurosa de arquitecturas basadas en Transformers (SwinUNETR) frente a convolucionales (U-Net, nnU-Net) para la segmentación de PET/TC con [68Ga]Ga-DOTA-TOC en todo el cuerpo, abordando específicamente el desafío de los datos etiquetados limitados en enfermedades raras.
3. Validación Externa de la Anatomía: El componente de segmentación esquelética (TotalSegmentator) fue validado externamente en el conjunto de datos público ENHANCE.PET, confirmando una alta precisión en la asignación de compartimentos anatómicos en TC de baja dosis.

Resultos

• Desempeño de la Segmentación: En el conjunto de prueba independiente (n=19), SwinUNETR logró el Coeficiente de Similitud de Dice (DSC) más alto de 0.806 ± 0.123. Esto superó significativamente a la Attention U-Net preentrenada con FDG (DSC 0.579; p < 0.0001) y fue comparable a nn-Unet (DSC 0.783; p = 0.44). La Attention U-Net sin preentrenamiento tuvo un desempeño deficiente (DSC 0.37).
• Correlación de Biomarcadores: Los biomarcadores automatizados mostraron una concordancia casi perfecta con las referencias manuales en el conjunto de prueba:
  • Correlación de Pearson de OMIS: r = 0.998 (p < 0.0001).
  • Correlación de Pearson de TMTV: r = 0.997 (p < 0.0001).
• Clasificación de Riesgo: Para el umbral clínicamente crítico de OMIS ≥ 30% (predictivo de toxicidad grave), el modelo clasificó correctamente tanto los casos positivos como todos los 17 casos negativos en el conjunto de prueba (100% de sensibilidad, 100% de especificidad). En todas las particiones (n=188), la sensibilidad fue del 90.2% y la especificidad del 99.3%.
• Análisis de Fallos: Los falsos negativos estuvieron asociados exclusivamente con enfermedad esquelética difusa de pequeño volumen (<1 mL) por debajo del umbral de detección efectivo del sistema. El desempeño del modelo fue más fiable para cargas de enfermedad clínicamente significativas.
• Humano vs. Máquina: El DSC automatizado (0.806) se acercó o superó la concordancia interobservador de los expertos humanos (DSC 0.715).

Significancia y Reivindicaciones
El artículo sostiene que el flujo de trabajo basado en SwinUNETR demuestra la viabilidad técnica de la segmentación de lesiones en todo el cuerpo y el cálculo automatizado de OMIS. Los autores enfatizan que la contribución central no es meramente la arquitectura de segmentación, sino la automatización exitosa de todo el flujo de trabajo de OMIS, reemplazando un proceso manual dependiente del operador con un flujo de trabajo reproducible.

El estudio concluye que, si bien los resultados son prometedores y respaldan el potencial del OMIS automatizado como biomarcador pre-PRRT, los hallazgos son preliminares. Los autores declaran explícitamente que se requiere una validación multicéntrica prospectiva con datos de resultados hematológicos antes de que la herramienta pueda implementarse clínicamente para la estratificación de riesgos. Reconocen limitaciones que incluyen la naturaleza retrospectiva y de un solo centro del estudio, el pequeño tamaño del conjunto de prueba independiente (particularmente el bajo número de casos positivos) y la dependencia de un modelo de escáner específico. El artículo no afirma que la herramienta esté lista para su uso clínico inmediato, sino que es un candidato viable para validaciones futuras.