Robust Renal Mass Segmentation on CT: A Validation Study of an AI-Based Framework

Resumo Técnico: Segmentação Robusta de Massas Renais em TC

Definição do Problema
A segmentação de massas renais é crítica para fluxos de trabalho clínicos que envolvem avaliações quantitativas, como o monitoramento de mudanças no volume renal em doenças como a doença renal policística autossômica dominante (DRPAD) ou o estadiamento de tumores renais com base no diâmetro e volume. A prática clínica atual depende fortemente da avaliação visual subjetiva, que sofre de variabilidade interobservador e é demorada. Embora modelos de segmentação de imagens médicas gerais (ex: TotalSegmentator) tenham avançado, eles frequentemente apresentam desempenho inferior em tarefas especializadas, como a segmentação de massas renais, particularmente quando os tumores alteram significativamente a forma e a estrutura interna do órgão. Além disso, modelos existentes treinados em conjuntos de dados específicos (ex: KiTS) frequentemente têm dificuldade em generalizar para coortes clínicas externas e heterogêneas, destacando uma lacuna entre o desenvolvimento algorítmico e a adoção clínica robusta.

Metodologia
Os autores desenvolveram o Renal-Net, um algoritmo de segmentação robusto baseado no framework de última geração nnU-Netv2 (especificamente a configuração Residual Encoder Large).

• Dados de Treinamento: O modelo foi treinado exclusivamente em dois conjuntos de dados publicamente disponíveis para garantir reprodutibilidade e generalização:
  1. KiTS23: 489 exames de TC de pacientes dos EUA com suspeita de câncer renal, anotados com rótulos de rim, tumor e cisto.
  2. Radboudumc Kidney Abnormality Dataset: 215 exames de TC com contraste de pacientes oncológicos holandeses, contendo rins saudáveis e várias lesões (cistos, massas, metástases).
  • Harmonização de Dados: Para fundir esses conjuntos de dados, os autores unificaram os protocolos de anotação. Cistos e tumores do KiTS23 foram fundidos em uma única categoria de "massa renal" para alinhar com o conjunto de dados Radboudumc. As definições da região renal (inclusão/exclusão do hilo) foram mantidas conforme anotadas originalmente para expor o modelo à variabilidade de anotação, sob a hipótese de que isso melhora a robustez.
• Arquitetura e Pós-processamento: O modelo utiliza um nnU-Net de resolução total. Um pipeline de pós-processamento foi aplicado para remover regiões de massa renal previstas que não estivessem aderidas ao rim (a menos que o volume excedesse 100 cm³, para considerar grandes tumores que suprimem a visibilidade renal) e para filtrar pequenos diâmetros axiais (< 3 mm) para reduzir falsos positivos.
• Estratégia de Validação: O estudo empregou uma abordagem de validação em larga escala através de três conjuntos de dados de teste independentes:
  1. Conjunto de Teste Privado Radboudumc: 50 exames de TC (20 saudáveis, 30 com lesões).
  2. TCGA-KIRC: 28 exames de pacientes com carcinoma de células claras do tipo renal.
  3. Charité Universitätsmedizin Berlin: 1.510 exames de TC pré-operatórios de 917 pacientes com diversos subtipos de tumores e fases de contraste.
• Métricas de Avaliação: O desempenho foi quantificado usando o coeficiente Dice (sobreposição) e a distância de Hausdorff de 95º percentil (precisão de borda). O desempenho de detecção foi avaliado via precisão, recall e F1-scores com um limiar de Interseção sobre União (IoU) de 0,5. Análises de subgrupos foram realizadas para sexo do paciente, idade, fase de contraste da TC e subtipo histológico do tumor.

Principais Contribuições

1. Desenvolvimento do Renal-Net: Um modelo de segmentação especializado e robusto para rins e massas renais, treinado exclusivamente com dados públicos.
2. Validação Externa em Larga Escala: O estudo fornece a maior validação externa neste domínio até o momento, testando em mais de 1.500 exames de TC em três centros médicos distintos com diversas demografias e protocolos de imagem.
3. Análise Abrangente de Subgrupos: Análise detalhada demonstrando a robustez do modelo através de sexo do paciente, idade, fases de contraste e subtipos histológicos de tumor.
4. Ciência Aberta: Os pesos do modelo, o código e um algoritmo pronto para uso estão publicamente disponíveis via Zenodo, GitHub e grand-challenge.org.

Resultos

• Desempenho de Segmentação: O Renal-Net superou significativamente os modelos de referência (TotalSegmentator e o modelo BAMF) em todos os conjuntos de dados para as regiões "Rim", "Rim+Massa" e "Massa Renal" (valores de p corrigidos < 0,001 para escores Dice).
  • No conjunto de dados TCGA-KIRC, o Renal-Net alcançou um Dice médio de 0,95 para a região renal e 0,86 para massas renais, comparado a 0,80 e 0,05 respectivamente para o TotalSegmentator.
  • No conjunto de dados Charité, o Renal-Net e o modelo BAMF mostraram desempenho comparável, embora o Renal-Net tenha demonstrado desempenho superior em casos difíceis (5º percentil de Dice de 0,53 vs. 0,39 para o BAMF em massas renais).
• Rins Saudáveis: Em subconjuntos de rins saudáveis, o Renal-Net teve desempenho comparável ao TotalSegmentator (Dice ~0,93-0,95), embora o TotalSegmentator tenha apresentado escores HD95 ligeiramente menores.
• Desempenho de Nível Humano: No conjunto de teste privado Radboudumc, o desempenho do Renal-Net (Dice 0,95 para rim+massa) situou-se dentro da faixa de variabilidade interobservador humana (Dice 0,941).
• Detecção: O Renal-Net demonstrou desempenho de detecção superior (Precisão, Recall, F1-score) em comparação aos basais em todos os conjuntos de teste. Por exemplo, no conjunto de dados Charité, o Renal-Net alcançou um F1-score de 0,78 em comparação com 0,70 do modelo BAMF.
• Robustez: Análises de subgrupos revelaram alto desempenho consistente através de diferentes sexos de pacientes, grupos de idade, fases de contraste da TC (venosa precoce, venosa tardia, arterial) e subtipos de tumores (ccRCC, pRCC, chrRCC, oncocitoma).

Significância e Alegações
O artigo afirma que a combinação de conjuntos de dados publicamente disponíveis com o framework nnU-Net é suficiente para desenvolver um modelo de segmentação que se generaliza efetivamente para ambientes clínicos externos e diversos, sem a necessidade de dados de treinamento proprietários. Os autores enfatizam que sua abordagem prioriza a robustez em vez de ganhos marginais de precisão em conjuntos de dados específicos, alcançada ao treinar com dados heterogêneos com protocolos de anotação e características de imagem variadas.

O estudo posiciona o Renal-Net como uma ferramenta para apoiar fluxos de trabalho clínicos objetivos e reprodutíveis, como o rastreamento de mudanças no volume renal para vigilância ativa ou monitoramento de progressão de doenças. Os autores reconhecem limitações, incluindo a incapacidade do modelo de processar exames de TC sem contraste e a falta de dados demográficos pediátricos ou não ocidentais nos conjuntos de validação. Eles concluem que, embora o modelo esteja pronto para testes clínicos e pesquisas futuras, trabalhos futuros devem abordar essas lacunas e explorar o potencial de separar a segmentação de lesões císticas e sólidas.