Sviluppo di una pipeline di deep learning per la segmentazione del tumore del retto e del mesoretto mediante RM: uno studio multicentrico

Introduzione: La segmentazione accurata dei tumori del retto e del mesoretto nelle immagini di RM (RM) rappresenta un passaggio fondamentale per la stadiazione locale della malattia, la pianificazione del trattamento radioterapico e la valutazione della risposta alla terapia neoadiuvante. Tuttavia, la segmentazione manuale è un processo dispendioso in termini di tempo, soggetto a variabilità inter- e intra-osservatore e difficilmente applicabile su larga scala. Negli ultimi anni, gli algoritmi di deep learning hanno dimostrato prestazioni promettenti nell’automatizzazione di questo processo. Tuttavia, la loro affidabilità può ridursi quando vengono applicati a dati clinici eterogenei provenienti da differenti scanner, protocolli di acquisizione e contesti assistenziali. Obiettivo: Lo scopo di questo studio è sviluppare e valutare una pipeline di deep learning robusta per la segmentazione tridimensionale completamente automatica del carcinoma del retto e del mesoretto su immagini di RM pesate in T2 ad alta risoluzione, con particolare attenzione alla capacità di generalizzazione e alle prestazioni del modello su dati acquisiti mediante scanner di differenti produttori. Materiali e metodi: Sono stati inclusi nello studio 226 pazienti con carcinoma del retto localmente avanzato provenienti da quattro centri italiani. Le immagini di RM sono state acquisite mediante 19 differenti modelli di scanner appartenenti a quattro diversi produttori. L’addestramento e la valutazione del modello sono stati condotti sia in condizioni in distribution sia out-of-distribution. In quest’ultimo scenario, il modello è stato testato su dati provenienti da produttori precedentemente non inclusi nella fase di addestramento, al fine di valutarne la capacità di generalizzazione. Le immagini di RM utilizzate nello studio consistevano in sequenze pesate in T2 ad alta risoluzione acquisite con scanner a 1,5 Tesla e 3 Tesla. L’ autosegmentazione tridimensionale del tumore del retto e del mesoretto è stata eseguita mediante modelli di deep learning addestrati con tecniche di data augmentation specifiche per la RM strategie di ensemble. Le prestazioni del modello sono state valutate utilizzando il coefficiente di similarità di Dice (DSC) e la distanza di Hausdorff al 95° percentile (HD95), assumendo le segmentazioni manuali fatte da due radiologi in consenso come standard di riferimento. 3 Risultati: Nel setting “in-distribution”, la strategia di aggregazione STAPLE a due livelli ha ottenuto le migliori prestazioni nella segmentazione del tumore del retto, con un coefficiente di similarità di Dice (DSC) pari a 0,767 ± 0,119. Per la segmentazione del mesoretto, i risultati migliori sono stati raggiunti mediante l’aggregazione completa dei modelli (full-model aggregation), con un DSC di 0,794 ± 0,131. Negli esperimenti out-of-distribution, l’aggregazione completa dei modelli ha dimostrato la maggiore robustezza per entrambe le strutture anatomiche, raggiungendo valori di DSC pari a 0,798 ± 0,126 per il tumore del retto e 0 0,776 ± 0,161 per il mesoretto. Conclusioni: La pipeline di deep learning proposta consente una segmentazione automatica accurata e robusta del carcinoma del retto e del mesoretto su dati RM eterogenei acquisiti con scanner e protocolli differenti. Inoltre, il modello può rappresentare una solida base di partenza per successive procedure di fine-tuning su dataset proprietari, anche in contesti caratterizzati da una limitata disponibilità di dati locali.