Abordando el sesgo de género en la segmentación de radioterapia

La radioterapia es un tratamiento común para muchos tipos de cáncer. Ayuda a matar células cancerosas y a reducir tumores usando radiación ionizante. Para que este tratamiento sea efectivo y minimice el daño a los tejidos sanos, los doctores necesitan definir claramente las áreas que necesitan tratamiento, conocidas como Volumen Objetivo Clínico (CTV), y las áreas que deberían evitarse, llamadas Órganos en riesgo (OARs). Este proceso es importante pero puede llevar mucho tiempo, ya que los oncólogos radioterápicos (ROs) necesitan delinear cuidadosamente estas áreas en tomografías computarizadas de cuerpo completo.

En los últimos años, el Aprendizaje Profundo (DL) ha facilitado la automatización de este proceso de contorno, haciéndolo más rápido y consistente. Gracias a las mejoras en la tecnología y al acceso a datos, las instalaciones de salud están comenzando a usar modelos de DL para este propósito. Sin embargo, segmentar áreas complejas como los CTVs sigue siendo un desafío, sobre todo porque la imagen médica suele tener menos datos disponibles en comparación con otras áreas de la visión por computadora.

#El Desafío del Sesgo de Género

El sesgo de género es un problema notado en muchas áreas del aprendizaje profundo, incluyendo la imagen médica. Esta investigación se adentra en cómo aparecen los sesgos de género en los modelos de segmentación usados para CTVs y cómo este sesgo afecta la precisión de los modelos. Es importante asegurar que estos modelos sean justos y funcionen bien para todos, sin importar el género.

Para abordar este problema, los investigadores exploraron el uso de información previa sobre la anatomía para mejorar el rendimiento de los modelos. Esto significa que en lugar de solo usar datos de los CTVs, también usaron datos que habían sido segmentados más fácilmente, como los OARs. La idea es que usar esta información adicional podría ayudar a que los modelos funcionen de manera más precisa y justa.

#Cómo se Condujo la Investigación

El estudio analizó tomografías computarizadas de 45 pacientes, incluyendo 25 hombres y 19 mujeres, que eran candidatos para radioterapia. La tomografía de cada paciente proporcionó varias estructuras anatómicas que los ROs ya habían delineado. El objetivo era ver cómo diferentes métodos de añadir información previa anatómica (AP) podrían mejorar el rendimiento del modelo mientras también se aborda el sesgo de género.

Se probaron varias estrategias para incorporar AP en los modelos de segmentación. Cada método involucraba proporcionar al modelo datos basados en estructuras segmentadas anteriormente junto con los datos originales de la TC. Esto incluyó diferentes maneras de ajustar los valores de intensidad de los canales adicionales.

El rendimiento de los modelos se evaluó usando métricas como el Dice Score, que mide qué tan bien las áreas predichas coincidían con las reales, y la distancia de Hausdorff, que analiza la distancia máxima entre el borde predicho y el real de la segmentación.

#Hallazgos Clave

Los resultados mostraron que todos los modelos tenían un rendimiento general similar, con puntuaciones medianas de Dice que iban del 82.98% al 83.46%. Sin embargo, las disparidades de género eran evidentes. El modelo base mostró una clara diferencia en el rendimiento entre pacientes masculinos y femeninos, con los hombres generalmente obteniendo puntuaciones más altas en las métricas de Dice.

Usar métodos como MI-Z (Puntuación Z de Intensidad Múltiple) ayudó a mejorar la segmentación para pacientes femeninos mientras mantenía un buen rendimiento para los hombres. Esto indicó un progreso hacia la reducción del sesgo de género en el rendimiento del modelo. Otros métodos, como MI-TS (Intensidad Múltiple con TotalSegmentator), también demostraron mejoras en la calidad de la segmentación, especialmente en la región abdominal.

#Análisis Regional

El estudio examinó el rendimiento de los modelos en diferentes regiones del cuerpo. Encontró que en la zona de cabeza y cuello, los hombres nuevamente lograron puntuaciones más altas que las mujeres. Sin embargo, hubo notables mejoras para las mujeres en la región abdominal al usar algunos de los modelos de AP.

La región abdominal mostró la mejora más significativa, probablemente debido a la presencia de muchas estructuras AP que asistieron al modelo durante la segmentación. En contraste, la región de cabeza y cuello parecía más desafiante para lograr un rendimiento equilibrado entre géneros.

#Métricas para la Equidad

Para entender mejor el sesgo de género, los investigadores introdujeron varias métricas, como la Diferencia de Género Promedio (AGD) y la Diferencia de Género Mediana (MGD). Estas métricas ayudaron a cuantificar las diferencias en rendimiento entre pacientes masculinos y femeninos. A pesar de algunas mejoras con los modelos de AP, aún existían disparidades de género, reflejando los desafíos continuos para lograr equidad en los modelos de segmentación.

#Conclusiones y Próximos Pasos

Los hallazgos de esta investigación fomentan la exploración adicional del uso de información anatómica previa para abordar el sesgo de género en los modelos de segmentación. Aunque algunos modelos mostraron potencial para reducir estas disparidades, aún hay margen de mejora.

El trabajo futuro tiene como objetivo probar estos métodos en conjuntos de datos más grandes y buscar la opinión de clínicos para elegir las estructuras anatómicas más relevantes para inclusión. Además, el estudio sugiere abordar otros sesgos comunes, como disparidades raciales y variaciones basadas en el tamaño de los pacientes, para crear soluciones de atención médica más equitativas a través de la tecnología.

Esta investigación no solo resalta la importancia de abordar el sesgo de género en la imagen médica, sino que también ilustra cómo el uso innovador de la información anatómica puede conducir a una planificación de tratamiento más efectiva y justa en radioterapia.