Benchmarking open-source automated thigh muscle MRI segmentation algorithms

Nel silenzioso mondo ad alta risoluzione dell'imaging medico, una sfida specifica ha a lungo rallentato lo studio delle malattie muscolari: l'enorme lavoro richiesto per mappare l'anatomia del corpo. Quando i medici e i ricercatori utilizzano la risonanza magnetica nucleare, o RM, per osservare l'interno della coscia di un paziente, vedono un paesaggio complesso di tredici muscoli distinti, ciascuno circondato da grasso e osso. Per capire come progredisca una malattia come la distrofia muscolare, devono misurare il volume di ogni muscolo e calcolare quanto grasso ha sostituito il tessuto sano. Per decenni, questo è stato fatto a mano, un processo tedioso in cui un esperto umano traccia il contorno di ogni muscolo su centinaia di singole fette di immagine. Questo lavoro manuale è lento, varia da persona a persona e crea un collo di bottiglia che impedisce studi su larga scala di condizioni rare. La promessa del futuro era che i computer potessero imparare a fare questo tracciamento automaticamente, liberando i ricercatori affinché potessero concentrarsi sulla biologia piuttosto che sul disegno.

Tuttavia, il panorama degli strumenti automatici è diventato un mercato affollato di diversi programmi software, ciascuno costruito con metodi differenti e addestrato su dati differenti. Alcuni strumenti sono progettati per riconoscere parti specifiche del corpo, mentre altri sono sistemi a scopo generale addestrati su vasti dati di internet per riconoscere quasi tutto. Il problema era che nessuno aveva mai messo questi strumenti fianco a fianco per vedere quale funzionasse meglio per i muscoli della coscia. Senza un confronto equo, un ricercatore che sceglieva uno strumento stava essenzialmente tirando a indovinare. Un nuovo studio si è proposto di diradare la nebbia testando otto dei più popolari strumenti open-source l'uno contro l'altro, utilizzando un set condiviso di immagini di persone sane e di pazienti con malattie neuromuscolari. L'obiettivo non era solo trovare il programma più veloce, ma trovare quello che potesse essere affidato per vedere la verità nel corpo di un paziente.

I ricercatori hanno raccolto una collezione diversificata di scansioni RM, inclusi dati da volontari sani e pazienti con condizioni come la distrofia muscolare dei cingoli e la sclerosi laterale amiotrofica. Hanno anche creato un set di immagini modificate per testare quanto bene gli strumenti potessero gestire i cambiamenti nel modo in cui le immagini venivano scattate o le lievi variazioni anatomiche. Hanno poi inserito queste immagini in otto diversi strumenti software. Alcuni di questi strumenti erano sistemi specializzati costruiti specificamente per il muscolo, mentre altri erano "modelli di base", un nuovo tipo di intelligenza artificiale addestrata su massicci dataset generali per eseguire una vasta gamma di compiti. Il team ha misurato quanto strettamente i contorni del computer corrispondessero ai contorni umani esperti, osservando sia l'accuratezza complessiva che la coerenza dei risultati da una fetta all'altra.

I risultati hanno delineato un quadro chiaro di ciò che funziona e di ciò che non funziona. Gli strumenti specializzati, in particolare uno chiamato MuscleMap, hanno superato costantemente i nuovi sistemi a scopo generale. Questi modelli specifici per il dominio, che erano stati addestrati su grandi collezioni di immagini mediche, sono stati in grado di identificare i muscoli con un livello di precisione che i modelli generali non potevano eguagliare. Infatti, lo studio ha scoperto che cercare di aumentare le prestazioni di altri strumenti aggiungendo un popolare sistema a scopo generale sopra di essi spesso peggiorava i risultati. Invece di raffinare l'immagine, questi sistemi generali spesso commettevano errori che un essere umano non commetterebbe mai, come includere l'osso della coscia all'interno del contorno del muscolo o creare linee frammentate e punteggiate che non somigliavano a nessun muscolo reale.

Forse più importante, lo studio ha rivelato che, sebbene i migliori strumenti fossero piuttosto bravi, non erano perfetti, specialmente quando osservavano tessuti malati. Quando il software incontrava muscoli che erano stati alterati dalla malattia, l'accuratezza diminuiva. Questa è una scoperta critica perché suggerisce che gli strumenti attuali potrebbero avere difficoltà proprio con i pazienti che ne hanno più bisogno. I ricercatori hanno notato che anche il software con le migliori prestazioni richiedeva ancora che un essere umano guardasse i risultati e correggesse gli errori, in particolare nei confini dove il muscolo incontra il grasso. Gli strumenti non erano ancora pronti per lavorare interamente da soli in un contesto clinico dove un errore potrebbe influenzare un piano di trattamento.

Lo studio ha anche evidenziato l'aspetto pratico dell'uso di questi strumenti. Il software specializzato era molto più facile da usare per un medico o un ricercatore, richiedendo spesso solo un clic per avviare il processo. Al contrario, gli strumenti a scopo generale richiedevano spesso che un utente indicasse manualmente ogni muscolo o disegnasse riquadri attorno a essi prima che il computer potesse iniziare, un processo che richiedeva più tempo rispetto al fare il lavoro a mano. Questa differenza di usabilità è un fattore determinante per stabilire se uno strumento verrà mai adottato in un ospedale. I ricercatori hanno concluso che, sebbene il campo abbia fatto progressi significativi, il sogno di un sistema completamente automatico che possa gestire qualsiasi paziente senza supervisione è ancora fuori portata. Per ora, la via più affidabile è utilizzare gli strumenti specializzati come un potente assistente, mantenendo però un esperto umano nel processo per verificare il lavoro, assicurando che la mappa finale del muscolo sia abbastanza accurata da guidare decisioni mediche reali.