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

Resumo Técnico: Segmentação de Lesões em Corpo Inteiro Baseada em Deep Learning e Computação Automatizada de OMIS

Definição do Problema
Pacientes com tumores neuroendócrinos (TNE) submetidos à terapia com receptores de peptídeos e radionuclídeos (PRRT) com [177Lu]Lu-DOTA-TATE enfrentam um risco significativo de toxicidade hematológica, particularmente a trombocitopenia persistente, que pode levar à síndrome mielodisplásica ou leucemia mieloide aguda. O Escore de Invasão Ósteo-Medular (OMIS) foi estabelecido como um biomarcador preditivo para este risco, quantificando a proporção de medula óssea hematologicamente ativa invadida por metástases com base no modelo de somatotipo de Cristy. No entanto, o cálculo do OMIS requer atualmente a segmentação manual laboriosa de lesões em corpo inteiro por médicos de medicina nuclear em exames de PET/CT com [68Ga]Ga-DOTA-TOC. Este processo manual é demorado, dependente do operador e impraticável para o fluxo de trabalho clínico rotineiro, dificultando a adoção generalizada do OMIS para a estratificação de risco pré-terapêutica.

Metodologia
O estudo avaliou a viabilidade técnica de automatizar este processo utilizando um pipeline de deep learning.

• Conjunto de Dados: Uma coorte retrospectiva de centro único de 115 pacientes (188 exames) foi submetida a [68Ga]Ga-DOTA-TOC PET/CT. Os dados foram divididos em nível de paciente em conjuntos de treinamento (150 exames), validação (19 exames) e teste independente (19 exames).
• Padrão de Referência: A segmentação manual foi realizada por dois médicos experientes em medicina nuclear utilizando o 3D Slicer. O OMIS foi calculado mapeando as lesões manuais para as estruturas esqueléticas (delimitadas via TotalSegmentator no componente CT) e aplicando os pesos de Cristy.
• Arquiteturas Avaliadas: Quatro configurações de treinamento em três arquiteturas foram comparadas:
  1. Attention U-Net (do zero): Treinada a partir de inicialização aleatória como um baseline.
  2. Attention U-Net (pré-treinada com FDG): Inicializada com pesos de um modelo de segmentação de [18F]FDG PET/CT para testar o aprendizado por transferência (transfer learning).
  3. nnU-Net: Um padrão de referência convolucional autoconfigurável.
  4. SwinUNETR: Um Transformer de Janela Deslocada (Shifted-Window UNet) treinado do zero, hipotetizado para capturar melhor as dependências espaciais de longo alcance em doenças multifocais de corpo inteiro.
• Pipeline: O modelo selecionado (SwinUNETR) realizou a segmentação de lesões em PET/CT. As máscaras de lesão foram limiares (30% do SUVmax local) e intersectadas com as máscaras esqueléticas derivadas do TotalSegmentator para computar automaticamente o TMTV (Volume Metabólico Tumoral Total) e o OMIS.
• Detalhes do Treinamento: Os modelos foram treinados em uma única GPU NVIDIA L40S usando perda de Tversky (assimétrica para penalizar mais pesadamente os falsos negativos) e aumento de dados (augmentation) padrão.

Principais Contribuições

1. Pipeline Automatizado de OMIS: O estudo demonstra o primeiro pipeline automatizado de ponta a ponta para o cálculo do OMIS, acoplando a segmentação de lesões de corpo inteiro com o mapeamento de compartimentos esqueléticos e ponderação da medula óssea.
2. Comparação de Arquiteturas: Fornece uma comparação rigorosa entre arquiteturas baseadas em transformer (SwinUNETR) versus convolucionais (U-Net, nnU-Net) para segmentação de [68Ga]Ga-DOTA-TOC PET/CT de corpo inteiro, abordando especificamente o desafio de dados rotulados limitados em doenças raras.
3. Validação Externa de Anatomia: O componente de segmentação esquelética (TotalSegmentator) foi validado externamente no conjunto de dados público ENHANCE.PET, confirmando alta precisão na atribuição de compartimentos anatômicos em CT de baixa dose.

Resultados

• Desempenho de Segmentação: No conjunto de teste independente (n=19), o SwinUNETR alcançou o maior Coeficiente de Similaridade de Dice (DSC) de 0,806 ± 0,123. Isto superou significativamente a Attention U-Net pré-treinada com FDG (DSC 0,579; p < 0,0001) e foi comparável ao nnU-Net (DSC 0,783; p = 0,44). A Attention U-Net não pré-treinada teve um desempenho insatisfatório (DSC 0,37).
• Correlação de Biomarcadores: Os biomarcadores automatizados mostraram concordância quase perfeita com as referências manuais no conjunto de teste:
  • Correlação de Pearson do OMIS: r = 0,998 (p < 0,0001).
  • Correlação de Pearson do TMTV: r = 0,997 (p < 0,0001).
• Classificação de Risco: Para o limiar clinicamente crítico de OMIS ≥ 30% (preditivo de toxicidade grave), o modelo classificou corretamente tanto os casos positivos quanto todos os 17 casos negativos no conjunto de teste (100% de sensibilidade, 100% de especificidade). Em todas as partições (n=188), a sensibilidade foi de 90,2% e a especificidade de 99,3%.
• Análise de Falhas: Os falsos negativos foram exclusivamente associados a doenças esqueléticas difusas de pequeno volume (< 1 mL) abaixo do limiar de detecção efetivo do sistema. O desempenho do modelo foi mais confiável para cargas de doença clinicamente significativas.
• Humano vs. Máquina: O DSC automatizado (0,806) aproximou-se ou excedeu a concordância interobservador dos especialistas humanos (DSC 0,715).

Significância e Alegações
O artigo alega que o pipeline baseado em SwinUNETR demonstra a viabilidade técnica da segmentação automatizada de lesões em corpo inteiro e da computação do OMIS. Os autores enfatizam que a contribuição central não é meramente a arquitetura de segmentação, mas a automação bem-sucedida de todo o fluxo de trabalho do OMIS, substituindo um processo manual e dependente de operador por um pipeline reprodutível.

O estudo conclui que, embora os resultados sejam promissores e apoiem o potencial do OMIS automatizado como um biomarcador pré-PRRT, as descobertas são preliminares. Os autores declaram explicitamente que é necessária uma validação prospectiva multicêntrica com dados de desfecho hematológico antes que a ferramenta possa ser implantada clinicamente para estratificação de risco. Eles reconhecem limitações, incluindo a natureza retrospectiva e de centro único do estudo, o tamanho reduzido do conjunto de teste independente (particularmente o baixo número de casos positivos) e a dependência de um modelo específico de scanner. O artigo não alega que a ferramenta está pronta para uso clínico imediato, mas sim que é uma candidata viável para validação futura.