RectoMap: a generalizable deep learning tool for rectal cancer and mesorectum MRI segmentation
RectoMap è una pipeline di deep learning robusta e open-source che ottiene una segmentazione 3D accurata e generalizzabile del cancro del retto e del mesoretto attraverso dati MRI multi-istituzionali eterogenei provenienti da diversi produttori di scanner.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Immagina di essere un detective che cerca di risolvere un mistero, ma gli indizi che ricevi cambiano continuamente aspetto. A volte gli indizi sono luminosi e nitidi, altre volte sono sfocati o sbiaditi, a seconda di quale fotocamera ha scattato la foto. Nel mondo della medicina, succede esattamente questo quando i medici usano le macchine per la Risonanza Magnetica (RM) per guardare all'interno del corpo umano. Una RM è come una fotocamera super-potenziata che usa magneti ed onde radio per scattare immagini dettagliate dei tessuti molli, come organi e tumori. Ma ecco il problema: proprio come diversi marchi di fotocamere (Canon, Nikon, Sony) scattano foto con colori e illuminazioni leggermente diverse, diversi produttori di macchine per la RM (come Siemens, Philips o GE) creano immagini che appaiono un po' differenti tra loro.
Per molto tempo, i programmi per computer progettati per aiutare i medici a trovare e delineare i tumori — chiamati strumenti di "segmentazione" — sono stati come detective che conoscevano solo come risolvere casi in una città specifica. Se un caso proveniva da una città diversa con un'illuminazione differente, il detective si sarebbe confuso e avrebbe commesso errori. Questo è un grande problema perché il cancro al retto è una malattia seria che richiede una pianificazione precisa. I medici devono sapere esattamente dove si trova il tumore e quanto è grande per decidere il miglior trattamento, che sia la chirurgia, la radioterapia o un approccio di "osservazione". Se il computer non riesce a gestire le diverse "fotocamere" utilizzate dagli ospedali, non può essere affidato ai medici ovunque.
È qui che entra in gioco un nuovo strumento chiamato RectoMap. Pensa a RectoMap come a un detective che si è addestrato su una biblioteca massiccia di foto provenienti da ogni possibile marca di fotocamera, condizione di luce e modello meteorologico. I ricercatori dietro questo studio volevano costruire un programma per computer capace di disegnare automaticamente un contorno perfetto attorno a un tumore rettale e al tessuto adiposo circostante (chiamato mesoretto) in una scansione RM, indipendentemente dalla macchina che ha scattato la foto. Hanno testato il loro strumento su una collezione enorme e disordinata di dati provenienti da 226 pazienti scansionati su 19 tipi diversi di macchine di quattro grandi produttori.
Il team non ha costruito solo un programma; ha costruito due diversi tipi di "cervelli" (reti neurali) e poi ha cercato di mescolarli in quattro modi diversi, come se si provassero diverse ricette per vedere quale torta sia la migliore. Hanno anche insegnato a questi programmi di aspettarsi dei "guasti" nelle immagini, come macchie sfocate o ombre strane, in modo che i programmi non andassero nel panico quando le vedevano. Dopo aver eseguito migliaia di test, hanno scoperto che l'approccio migliore era quello di combinare le previsioni di entrambi i tipi di cervello utilizzando un sistema di voto speciale chiamato STAPLE.
I risultati sono stati promettenti. Quando lo strumento è stato testato su immagini provenienti da macchine che aveva già visto, ha fatto un ottimo lavoro, delineando correttamente il tumore circa il 76,7% delle volte e il tessuto circostante circa il 79,4% delle volte. Ma la vera magia è avvenuta quando lo hanno testato su macchine completamente nuove che non aveva mai visto prima. Anche allora, lo strumento è rimasto costante, delineando il tumore con un'accuratezza di circa il 79,8% e il tessuto con il 77,6%. Ciò suggerisce che RectoMap è abbastanza robusto da gestire la confusione del mondo reale degli ospedali.
Tuttavia, gli autori sono cauti nel non definire questo un prodotto perfetto e finito. Ammettono che lo strumento fatica ancora un po' con tumori molto piccoli o quando il retto non è riempito di gel (che aiuta a rendere le immagini più chiare). Notano anche che la maggior parte dei loro dati di addestramento proveniva da un marchio specifico di macchina, quindi lo strumento potrebbe ancora avere del lavoro da fare per gestire ogni possibile scenario. Ma in generale, hanno creato uno strumento gratuito e open-source che i medici possono scaricare e usare subito, o modificare per adattarlo alle proprie macchine locali. È un passo avanti significativo, trasformando un lavoro difficile e manuale in uno veloce e automatizzato che potrebbe aiutare più pazienti a ricevere il trattamento giusto più velocemente.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.