Validación independiente de un aprendizaje profundo nnU-Herramienta Net para la detección y segmentación de neuroblastomas en imágenes de RM
Clasificación segmentación tumoral es esencial para el análisis cuantitativo de imágenes en neuroblastoma, but La delineación manual consume mucho tiempo, depende del observador y es difícil de escalar.El aprendizaje profundo automatizado podría superar estas limitaciones, pero es fundamental una validación externa rigurosa antes de que dichas herramientas puedan integrarse en los flujos de trabajo clínicos.
Este estudio validó de forma independiente un Modelo de aprendizaje profundo nnU-Net para la detección y segmentación automática de tumores neuroblásticos en resonancia magnética. utilizando un conjunto de datos grande y heterogéneo completamente independiente del desarrollo del modelo. La cohorte incluyó 300 niños y 535 secuencias de resonancia magnética ponderadas en T2/T2*, obtenidos en múltiples instituciones, proveedores de escáneres, intensidades de campo y protocolos de imagen.
El modelo Se localizó y segmentó con éxito el tumor primario en el 94% de los casos., logrando una mediana excepcionalmente alta Coeficiente de similitud de dados de 0.997El rendimiento no se vio afectado significativamente por la ubicación del tumor, la intensidad del campo magnético de la resonancia magnética, el tipo de secuencia ni por si las imágenes se obtuvieron después de la quimioterapia.
Es importante destacar que el enfoque también Reducción sustancial de la carga de trabajo de los radiólogos: La revisión visual requirió solo 7.8 segundos de media, mientras que los casos que requirieron corrección manual tardaron aproximadamente dos minutos, lo que representa una reducción del 96.5 % en el tiempo de segmentación en comparación con la segmentación manual desde cero.
Como el primer centro internacional, multicéntrico y multivendedor Validación externa de la segmentación automática de tumores neuroblásticos en resonancia magnética corporal, el estudio proporciona Existe una sólida evidencia de la generalización del modelo, lo que representa un paso importante hacia la obtención de imágenes cuantitativas escalables asistidas por IA en oncología pediátrica.