Le suivi précis des lésions sur des tomodensitométries longitudinales est essentiel pour évaluer la réponse au traitement et la progression de la maladie en oncologie. Pourtant, La mise en correspondance des lésions entre examens consécutifs reste largement manuelle, chronophage et sujette à variabilité.

Cette étude présente GraphTrack, un cadre d'apprentissage profond en deux étapes conçu pour automatiser la correspondance des lésions en combinant la similarité locale des lésions avec des informations spatiales, temporelles et morphologiques globales.

GraphTrack utilise tout d'abord un auto-encodeur masqué 3D auto-supervisé (3DMAE) pour apprendre des représentations de lésions transférables, qui sont rdéfini par un réseau neuronal siamois 3D (3DSNN) pour la similarité des lésions par paires. Ces caractéristiques sont ensuite intégré dans un réseau d'attention de graphe de bord (EdgeGAT), permettant ainsi au modèle de raisonner sur les relations entre plusieurs lésions et points temporels plutôt que d'évaluer les correspondances potentielles indépendamment.

Évalué sur un vaste ensemble de données de tomodensitométrie thoraco-abdominale multicentrique, GraphTrack a atteint une précision de 88.9 %, un rappel de 80.5 % et une AUC-ROC de 97.8 %. Sur l'ensemble de données indépendant DeepLesion, il a maintenu de solides performances, avec une précision de 90.2 %, un rappel de 97.7 % et une AUC-ROC de 89.6 %.

En unifiant l'apprentissage auto-supervisé, la similarité par paires et le raisonnement basé sur les graphes, GraphTrack offre une approche évolutive du suivi longitudinal automatisé des lésions, susceptible de rationaliser les flux de travail en imagerie oncologique. et favoriser une évaluation plus cohérente de la réponse au traitement et de l'évolution de la maladie.