L'apprendimento profondo automatizza la segmentazione dell'indice di cancro peritoneale sulla TC

Un nuovo metodo di apprendimento profondo è stato proposto dai ricercatori per facilitare la segmentazione automatica delle aree dell'indice di cancro peritoneale radiologico (rPCI) nelle scansioni TC, colmando il divario lasciato dall'assenza di un equivalente di imaging standardizzato rispetto al PCI chirurgico invasivo (sPCI). Lo studio ha testato nnU-Net e Swin UNETR su 62 scansioni TC, con aree rPCI marcate manualmente da tre ricercatori clinici e confermate da due radiologi esperti. La valutazione ha utilizzato una convalida incrociata a cinque fold, misurando le prestazioni attraverso il coefficiente di similarità di Dice, la distanza di Hausdorff al 95° percentile e la distanza media della superficie. nnU-Net ha registrato un punteggio Dice complessivo di 0,82. Le regioni rPCI derivano da un recente studio di consenso che delinea aree anatomiche 3D per la valutazione di imaging, mentre sPCI classifica l'addome in 13 regioni valutate in base alla dimensione del tumore durante la laparoscopia diagnostica.