How errors from prompt-assisted longitudinal tumour segmentation change RECIST 1.1 target-lesion response categories: a retrospective out-of-fold analysis

Resumo Técnico: Como Erros de Segmentação Longitudinal de Tumores Assistida por Prompt Alteram as Categorias de Resposta de Lesões-Alvo do RECIST 1.1

Definição do Problema
O RECIST 1.1 (Response Evaluation Criteria in Solid Tumors) é o padrão para avaliar a resposta tumoral em ensaios oncológicos e na prática clínica rotineira. Ele baseia-se em clínicos medindo lesões-alvo selecionadas no basal e no acompanhamento para calcular a Soma dos Diâmetros Mais Longos (SLD) e atribuir uma categoria de resposta (Resposta Completa, Resposta Parcial, Doença Estável ou Doença Progressiva). Embora a segmentação automatizada prometa reprodutibilidade e escalabilidade, pequenos erros de delineamento de bordas, rastreamento de lesão ou detecção podem cruzar os limiares estritos definidos pelo RECIST 1.1 (ex: uma diminuição de 30% para Resposta Parcial), potencialmente alterando a categorização clínica.

Pesquisas anteriores focaram pesadamente em "lesões perdidas" (omissão) como o principal risco de segurança. No entanto, ferramentas semiautomáticas que dependem de prompts do usuário ainda podem falhar de outras formas: rastrear uma lesão para o local errado, manter uma lesão que foi resolvida (persistência falsa) ou medir uma lesão localizada corretamente de forma imprecisa. Este estudo aborda uma lacuna na literatura ao quantificar a frequência com que esses tipos específicos de erro alteram a categoria de resposta da lesão-alvo e se eles introduzem um viés sistemático em direção a um benefício ou dano aparente.

Metodologia
Os autores realizaram uma análise retrospectiva, out-of-fold, utilizando o conjunto de dados público autoPET/CT longitudinal whole-body CT, composto por pacientes com melanoma metastático.

• Modelo e Tarefa: O estudo utilizou o LongiSeg, um modelo de segmentação longitudinal assistido por prompt baseado em um backbone de codificador residual nnU-Net. A tarefa foi definida como "rastreamento assistido": o modelo recebeu o CT basal, a máscara de lesão basal do especialista e um clique de localização para o exame de acompanhamento. Crucialmente, a máscara de acompanhamento do especialista foi retida; o modelo teve que gerar o contorno de acompanhamento com base no prompt e no contexto basal.

• Protocolo de Avaliação: Para garantir uma avaliação imparcial, o estudo empregou uma abordagem rigorosa de paciente-nível out-of-fold (OOF). Cada um dos 258 pacientes avaliáveis de resposta foi processado por um checkpoint do modelo treinado nos outros quatro folds do coorte de desenvolvimento de 300 pacientes, garantindo que os exames do paciente nunca fossem vistos durante o ajuste de pesos.

• Cálculo de Resposta: O estudo focou exclusivamente no componente de lesão-alvo do RECIST 1.1. As alvos foram selecionados a partir de máscaras basais de especialistas (até cinco no total, máximo de duas por tipo de órgão/lesão). A SLD foi calculada tanto para a referência do especialista (basal do especialista + acompanhamento do especialista) quanto para o modelo (basal do especialista + acompanhamento do modelo).

• Taxonomia e Atribuição de Erro: Os desacordos entre as categorias de resposta do modelo e da referência foram decompostos em quatro tipos de erro:

  1. Omissão por Prompt: A lesão estava presente na referência, mas ausente no modelo.
  2. Erro de Localização de Rastreamento: A saída do modelo não sobrepôs a lesão de referência.
  3. Persistência Falsa: O modelo reteve uma lesão que havia sido resolvida na referência.
  4. Erro de Medição (Dimensionamento): O modelo e a referência sobrepuseram-se, mas os diâmetros medidos diferiram.

  Para lidar com casos de múltiplos erros simultâneos, os autores utilizaram a atribuição de Shapley da teoria dos jogos cooperativos. Este método calculou a média da contribuição de cada tipo de erro através de todas as ordens de correção possíveis para determinar o quanto cada tipo de erro impulsionou o desacordo de categoria.

Resultos Principais

• Taxa de Desacordo: A categoria de resposta da lesão-alvo do modelo discordou da referência do especialista em 43 de 258 pacientes (16,7%) (IC de Wilson 95%: 12,6–21,7).

• Contribuições de Erro: Usando a atribuição de Shapley, o estudo descobriu que nenhum canal de erro único dominou claramente os desacordos:

  • Erro de Medição (Dimensionamento): Contribuiu com 8,3% (IC 95%: 5,0–11,8).
  • Detecção/Localização (Omissão + Erro de Localização): Contribuiu com 5,2% (IC 95%: 2,7–7,9).
  • Persistência Falsa: Contribuiu com 3,1% (IC 95%: 1,2–5,4).

  Embora o dimensionamento tenha apresentado a maior estimativa pontual, ele não foi estatisticamente separado do canal combinado de detecção/localização (diferença de +3,1 pontos percentuais, IC 95%: −1,2 a 7,4).

• Direção do Viés: Em uma análise post-hoc, 28 desacordos moveram-se em direção ao "benefício aparente" (ex: Doença Estável tornando-se Resposta Parcial) e 15 em direção ao "dano aparente". No entanto, este desequilíbrio não foi estável entre diferentes regras de seleção de alvos e não constituiu um viés confirmado de inflar as taxas de resposta objetiva.

• Validação por Simulação: Simulações sintéticas reamostrando erros de dimensionamento observados produziram uma taxa média de "mudança de categoria" (flip rate) de 9,3% (intervalo central de simulação de 95% de 6,2–12,4), que engloba os 8,3% de contribuição de dimensionamento observados. Isso sugere que a magnitude dos erros de borda observados no modelo é suficiente para explicar plausivelmente a taxa de mudanças de categoria atribuídas ao dimensionamento.

Significância e Alegações
O artigo afirma que o erro de medição é um modo de falha crítico, porém frequentemente negligenciado, na avaliação automatizada do RECIST. Os achados desafiam a suposição predominante de que a detecção (omissão) é a única ou a principal preocupação de segurança. O estudo demonstra que mesmo quando um modelo localiza corretamente uma lesão, pequenas imprecisões de borda podem ser suficientes para deslocar a categoria de resposta de um paciente.

Os autores enfatizam que estes resultados são específicos para:

1. Rastreamento assistido por prompt (não detecção autônoma).
2. Erros de acompanhamento condicionais a um basal correto do especialista.
3. Componentes de lesão-alvo apenas (excluindo doença não-alvo e novas lesões).
4. Uma arquitetura de modelo específica (LongiSeg) avaliada internamente.

O estudo conclui que futuras avaliações de sistemas de resposta automatizados devem auditar a precisão de borda e a precisão de medição com o mesmo rigor que a cobertura de lesões. Os autores pedem confirmação independente, particularmente em relação à direção dos desacordos, e observam que seus achados não provam mudanças na tomada de decisão clínica ou nos desfechos dos pacientes.