El seguimiento preciso de las lesiones a través de tomografías computarizadas longitudinales es esencial para evaluar la respuesta al tratamiento y la progresión de la enfermedad en oncología. Sin embargo, La comparación de lesiones entre exámenes consecutivos sigue siendo en gran medida un proceso manual, laborioso y sujeto a variabilidad.

Este estudio presenta GraphTrack, un marco de aprendizaje profundo de dos etapas diseñado para automatizar la correspondencia de lesiones combinando la similitud local de las lesiones con información espacial, temporal y morfológica global.

GraphTrack utiliza primero un autoencoder enmascarado 3D autosupervisado. (3DMAE) para aprender representaciones de lesiones transferibles, que son rdefinido mediante una red neuronal siamesa 3D (3DSNN) para la similitud de lesiones por pares. Estas características son entonces integrado en una red de atención gráfica de aristas (EdgeGAT), lo que permite que el modelo analice las relaciones entre múltiples lesiones y momentos temporales en lugar de evaluar las coincidencias candidatas de forma independiente.

Evaluado en un amplio conjunto de datos de tomografía computarizada toracoabdominal multicéntrica, GraphTrack logró una precisión del 88.9 %, una sensibilidad del 80.5 % y un AUC-ROC del 97.8 %. En el conjunto de datos independiente DeepLesion, mantuvo un rendimiento sólido, con una precisión del 90.2 %, una exhaustividad del 97.7 % y un AUC-ROC del 89.6 %.

Al unificar el aprendizaje autosupervisado, la similitud por pares y el razonamiento basado en gráficos, GraphTrack proporciona un enfoque escalable para el seguimiento automatizado de lesiones longitudinales, con potencial para optimizar los flujos de trabajo de imágenes oncológicas. y respaldar una evaluación más consistente de la respuesta al tratamiento y la evolución de la enfermedad.