Автоматизация анализа МРТ при травмах спинного мозга: влияние SCIseg
Диагностика и лечение травм спинного мозга (SCI) может быть сложной задачей из-за сложностей точного определения и измерения поражений, которые различаются по размеру, местоположению и интенсивности у разных пациентов. Традиционные методы ручного сегментирования часто требуют много времени, различаются у разных оценщиков и непрактичны для крупных исследований или клинических испытаний. Решая эти проблемы, модель глубокого обучения SCIseg предлагает инновационное решение, автоматизируя сегментацию интрамедуллярных поражений при SCI с использованием T2-взвешенных МРТ-сканирований. Недавнее исследование изучило методологию SCIseg, ее производительность по сравнению с существующими методами сегментации и ее потенциал для улучшения будущего диагностики и планирования лечения SCI.
Поэтапный подход к обучению в разработке SCIseg
Разработка SCIseg использовала структурированный трехфазный подход для улучшения и адаптации модели к различным наборам данных. На первом этапе была создана базовая модель с использованием данных МРТ из двух клинических центров, с упором на базовые задачи сегментации. На втором этапе было введено активное обучение, где человеческие исправления первоначальных прогнозов помогли модели учиться на своих ошибках. Этот итеративный процесс повысил ее способность распознавать сложные закономерности, связанные со спинным мозгом и поражениями, даже когда артефакты скрывали некоторые особенности.
На заключительном этапе были добавлены изотропные МРТ-сканы из третьего места, что увеличило разнообразие данных обучения с точки зрения качества визуализации, ориентации и типов поражений. К концу этого процесса SCIseg смог точно сегментировать как спинной мозг, так и поражения в различных случаях, что сделало его ценным инструментом для исследователей и врачей в сценариях травм спинного мозга (SCI).
Показатели производительности и сравнение с существующими методами
После разработки SCIseg прошел тщательное тестирование с независимыми наборами данных для оценки его точности в реальном мире. Он достиг оценки сходства Dice 0,92 для сегментации спинного мозга, что демонстрирует сильное согласие с данными экспертов-людей. Хотя его средняя оценка Dice для сегментации поражений была ниже, он все равно показал надежную производительность. По сравнению с другими методами SCIseg преуспел в одновременной сегментации спинного мозга и поражений, что является двойной возможностью, которая выделяет его.
Хотя возникали проблемы с металлическими артефактами при сканировании, особенно у послеоперационных пациентов, производительность SCIseg оставалась стабильной на различных аппаратах МРТ и при разной силе поля (1T, 1,5T и 3T). Более того, его автоматическая сегментация хорошо коррелировала с аннотированными человеком данными для важнейших биомаркеров, полученных с помощью МРТ, что подчеркивает его ценность в клинических исследованиях. Такая точность измерения длины поражения и коэффициента повреждения подтверждает его потенциал для предоставления надежной информации для прогнозирования клинических результатов и оценки неврологического восстановления.
Клинические последствия и будущие направления исследований
Разработка SCIseg имеет значительные последствия для клинической практики и исследований в области травм спинного мозга (SCI). Автоматизируя сегментацию поражений, SCIseg сокращает время и трудозатраты, необходимые для диагностики, что особенно полезно в крупномасштабных исследованиях, где ручная сегментация нецелесообразна. Ее открытый исходный код позволяет исследователям и врачам по всему миру использовать и совершенствовать модель, способствуя сотрудничеству в диагностике и лечении SCI.
Дальнейшие разработки могут повысить чувствительность SCIseg к различным типам поражений, особенно к таким состояниям, как дегенеративная цервикальная миелопатия (ДЦМ). Улучшение его способности различать компоненты поражения, такие как отек, кровоизлияние и рубцевание, также может привести к лучшей прогностической точности. Включение анализа продольных данных даст представление о прогрессировании поражения и реакции пациента на терапию. Кроме того, расширение данных обучения из различных источников изображений может повысить адаптивность SCIseg к различным клиническим состояниям, повысив его общую надежность.
Модель SCIseg знаменует собой значительный прогресс в автоматизации сегментации спинного мозга и поражений на T2-взвешенных МРТ-сканах. Используя трехфазный процесс обучения и активное обучение, она достигает высокой точности и надежной производительности в различных наборах данных, что делает ее универсальным инструментом для клинических и исследовательских приложений. Интегрированная в Spinal Cord Toolbox, SCIseg повышает доступность для диагностики и прогнозирования SCI. Ее эффективная сегментация поражений может ускорить исследования и облегчить крупномасштабные исследования, в конечном итоге улучшая результаты для пациентов с SCI и поддерживая персонализированные подходы к лечению при принятии клинических решений.
Источник: Radiology: Artificial Intelligence
