Modelo de IA segmenta con precisión tumores hepáticos a partir de tomografías computarizadas

El cáncer de hígado es el sexto tipo de cáncer más común en el mundo y una de las principales causas de muerte por cáncer. La segmentación precisa de los tumores hepáticos es crucial para el diagnóstico y el tratamiento, pero los métodos manuales de los radiólogos requieren mucho tiempo y están sujetos a variaciones en la experiencia. La segmentación basada en inteligencia artificial (IA) ha avanzado en este campo; sin embargo, la mayoría de los modelos requieren miles de casos para su entrenamiento, lo que dificulta su adopción. Ahora, un innovador modelo de IA ha demostrado una alta precisión incluso con conjuntos de datos de entrenamiento limitados.

Investigadores del Instituto de Ciencias de Tokio (Tokio, Japón) han desarrollado un modelo de aprendizaje profundo para la segmentación de tumores hepáticos llamado MHP-Net (Multi-scale Hessian-enhanced Patch-based Neural Network). En lugar de analizar las exploraciones completas de una sola vez, MHP-Net divide las imágenes en parches 3D y las combina con versiones mejoradas mediante un filtro Hessiano, que resalta características esféricas como los tumores. Esta arquitectura crea mapas de segmentación precisos a partir de tomografías computarizadas (TC) con contraste.

La precisión del modelo se evaluó utilizando coeficientes de similitud de Dice, que miden la superposición entre los límites tumorales predichos y los anotados por expertos. A pesar de entrenarse con conjuntos de datos de tan solo 7, 14 y 28 tumores, MHP-Net alcanzó coeficientes de Dice de 0,691, 0,709 y 0,719, respectivamente. Los resultados, publicados en IEEE Access, muestran que el modelo superó a sistemas de IA consolidados como U-Net, Res U-Net y HDense-U-Net.

Además de su precisión, el diseño ligero de MHP-Net permite el entrenamiento en menos de 10 minutos y la inferencia en tiempo real en aproximadamente cuatro segundos por paciente, lo que lo hace ideal para uso clínico con capacidad de procesamiento limitada. Al reducir los requisitos de datos, facilita la adopción de la IA en hospitales de bajos recursos de todo el mundo. Los investigadores planean ampliar las aplicaciones del modelo, explorando soluciones de IA con pocos datos para cánceres raros y otros desafíos en la imagen médica.

“Este es solo el comienzo en el campo de la IA de datos pequeños, donde se pueden construir modelos de aprendizaje profundo significativos y clínicamente relevantes a partir de conjuntos de datos limitados”, dijo el profesor Kenji Suzuki, quien lideró el desarrollo del modelo. “El éxito de MHP-Net también puede inspirar soluciones de IA de datos pequeños en otras áreas de la imagen médica, como la detección de cánceres raros”.

Enlaces relacionados:
Instituto de Ciencias de Tokio

Visitar la expo >

Ultrasound-Guided Biopsy & Visualization Tools

Endoscopic Ultrasound (EUS) Guided Devices

Digital X-Ray Detector Panel

Acuity G4

High-Precision QA Tool

DEXA Phantom

Breast Localization System

MAMMOREP LOOP