Aprendizado profundo para segmentação de tumores cerebrais: Impacto do treinamento e teste interinstitucionais

FUNDAMENTO E OBJETIVO: Redes neurais convolucionais (CNNs) são comumente usadas para segmentação de tumores cerebrais. Neste trabalho, avaliamos o efeito do treinamento interinstitucional sobre o desempenho das CNNs. MÉTODOS: Selecionamos 44 pacientes com glioblastoma (GBM) de duas instituições no conjunto de dados The Cancer Imaging Archive. As imagens foram anotadas manualmente contornando cada componente do tumor para formar a verdade fundamental. Para segmentar automaticamente os tumores em cada paciente, treinamos três CNNs: (a) uma usando dados de pacientes da mesma instituição que os dados de teste, (b) uma usando dados dos pacientes da outra instituição e (c) uma usando dados dos pacientes de ambas as instituições. O desempenho dos modelos treinados foi avaliado usando coeficientes de similaridade de Dice, bem como a Distância de Hausdorff Média entre a verdade fundamental e as segmentações automáticas. O esquema de validação cruzada de 10 vezes foi usado para comparar o desempenho de diferentes abordagens. RESULTADOS: O desempenho do modelo diminuiu significativamente (P < 0,0001) quando foi treinado com dados de uma instituição diferente (coeficientes de Dice: 0,68 ± 0,19 e 0,59 ± 0,19) em comparação ao treinamento com dados da mesma instituição (coeficientes de Dice: 0,72 ± 0,17 e 0,76 ± 0,12). Essa tendência persistiu tanto para a segmentação do tumor inteiro quanto para seus componentes individuais. CONCLUSÕES: Há um efeito muito forte da seleção de dados para treinamento sobre o desempenho das CNNs em um contexto multinstitucional. A determinação das razões por trás desse efeito requer uma investigação abrangente adicional.