Canal completamente automatizado para la detección y segmentación de cáncer de pulmón de células no pequeñas (NSCLC) en imágenes de TC

En este estudio, nuestro objetivo es desarrollar y probar un software automatizado de detección y segmentación de aprendizaje profundo para el cáncer de pulmón de células no pequeñas (NSCLC) que pueda detectar y segmentar tumores automáticamente en tomografías computarizadas y, por lo tanto, reducir la variación humana. Evaluaremos el nivel de acuerdo entre un grupo de radiólogos, realizando segmentación tumoral manual versus semiautomática. Para hacerlo, proporcionaremos a los radiólogos dos juegos de tomografías computarizadas. El primer conjunto se segmentará manualmente; el segundo será segmentado utilizando el programa de software automatizado.

Posteriormente, utilizaremos la varianza interobservador e intraobservador del estudio clínico en un estudio de simulación o modelado. También comparamos el tiempo necesario y la consistencia en las segmentaciones del software con el desempeño de los médicos.

Estudio de Fiabilidad y Concordancia:

Los tumores primarios de 25 pacientes con cáncer de pulmón serán delineados por 6 expertos en segmentación.

1. Evaluar la concordancia entre la segmentación automática y la segmentación de los radiólogos Los tumores primarios de 25 pacientes serán segmentados manualmente por los radiólogos y automáticamente por la herramienta. Se registrará el tiempo necesario para realizar esta tarea y la reproducibilidad de la segmentación. El grado de superposición entre los RO y el contorno automático se evaluará por pares utilizando el coeficiente Dice.
2. Delineación de tumores por parte de los expertos, asistida por la herramienta de software Para otros 25 pacientes, los expertos contarán con una delineación automática, realizada por la herramienta. Tienen la posibilidad de ajustarlo y validarlo. Se registrará el tiempo necesario. Se evaluará la diferencia entre la fracción de superposición media en la primera situación (delineación manual de expertos) y la segunda situación (delineación de expertos + herramienta de software), utilizando un coeficiente de dados multiobservador.
3. Evaluación de la varianza intraobservador Los expertos repetirán la segmentación de los tumores de pulmón a las 2 semanas. Repetirán la segmentación manual (n=25) y la segmentación semiautomática (n=25). Esto permitirá evaluar la varianza intraobservador en ambas situaciones.
4. Evaluación cualitativa de las preferencias de los expertos utilizando una caja de herramientas de visualización desarrollada internamente.