S'attaquer au biais de genre dans la segmentation en radiothérapie
Cette étude examine le biais de genre dans les modèles de segmentation en deep learning pour la radiothérapie.
Ricardo Coimbra Brioso, Damiano Dei, Nicola Lambri, Pietro Mancosu, Marta Scorsetti, Daniele Loiacono
― 6 min lire
Table des matières
La radiothérapie est un traitement courant pour plein de types de cancer. Ça aide à tuer les cellules cancéreuses et à réduire les tumeurs grâce aux rayonnements ionisants. Pour que ce traitement soit efficace et qu'il y ait le moins de dommages possibles aux tissus sains, les médecins doivent bien définir les zones à traiter, appelées Volume Cible Clinique (CTV), et celles à préserver, qu'on appelle Organes à risque (OAR). Ce processus est super important mais peut prendre pas mal de temps, car les oncologues en radiothérapie (ROs) doivent soigneusement délimiter ces zones sur des scans CT du corps entier.
Ces dernières années, l'Apprentissage profond (DL) a facilité l'automatisation de ce processus de contour, ce qui le rend plus rapide et plus cohérent. Grâce aux améliorations technologiques et à l'accès aux données, les établissements de santé commencent à utiliser des modèles de DL pour ça. Cependant, segmenter des zones complexes comme les CTV reste un défi, surtout que l'imagerie médicale a souvent moins de données disponibles par rapport à d'autres domaines de la vision par ordinateur.
Le défi du biais de genre
Le biais de genre est un problème reconnu dans beaucoup de domaines de l'apprentissage profond, y compris l'imagerie médicale. Cette recherche examine comment les biais de genre apparaissent dans les modèles de segmentation utilisés pour les CTV et comment ce biais affecte la précision des modèles. Il est important de s'assurer que ces modèles soient justes et fonctionnent bien pour tout le monde, peu importe le genre.
Pour résoudre ce problème, les chercheurs ont cherché à utiliser des informations antérieures sur l'anatomie pour améliorer la performance des modèles. Ça veut dire qu'au lieu d'utiliser seulement des données des CTV, ils ont également utilisé des données qui avaient été plus facilement segmentées, comme les OAR. L'idée, c'est que cette info supplémentaire pourrait aider les modèles à être plus précis et équitables.
Comment la recherche a été menée
L'étude a analysé les scans CT de 45 patients, incluant 25 hommes et 19 femmes, qui étaient candidats à la radiothérapie. Chaque scan de patient a fourni plusieurs structures anatomiques déjà délimitées par les ROs. L'objectif était de voir comment différentes méthodes d'ajout d'informations anatomiques antérieures (AP) pouvaient améliorer la performance du modèle tout en abordant le biais de genre.
Plusieurs stratégies ont été testées pour intégrer l'AP dans les modèles de segmentation. Chaque méthode consistait à fournir au modèle des données basées sur des structures segmentées précédemment en plus des données CT originales. Ça incluait différentes manières d'ajuster les valeurs d'intensité des canaux supplémentaires.
La performance des modèles a été évaluée en utilisant des métriques comme le Dice Score, qui mesure à quel point les zones prédites correspondent à celles réelles, et la distance Hausdorff, qui regarde la distance maximale entre le bord prédit et réel de la segmentation.
Résultats clés
Les résultats ont montré que tous les modèles avaient une performance globale similaire, avec des Dice Scores médians allant d'environ 82,98 % à 83,46 %. Cependant, des disparités de genre étaient évidentes. Le modèle de base a montré une différence claire de performance entre les patients masculins et féminins, les hommes ayant généralement des scores plus élevés sur les métriques de Dice.
Utiliser des méthodes comme MI-Z (Multiple Intensity Z-Score) a aidé à améliorer la segmentation pour les patientes tout en maintenant une bonne performance pour les hommes. Ça a montré un progrès vers la réduction du biais de genre dans la performance des modèles. D'autres méthodes, comme MI-TS (Multiple Intensity with TotalSegmentator), ont aussi montré des améliorations dans la qualité de la segmentation, surtout dans la région abdominale.
Analyse régionale
L'étude a examiné la performance des modèles dans différentes régions du corps. Elle a constaté que dans la zone de la tête et du cou, les hommes obtenaient encore des scores plus élevés que les femmes. Cependant, il y a eu des améliorations notables pour les femmes dans la région abdominale en utilisant certains des modèles AP.
La région abdominale a montré l'amélioration la plus significative, probablement grâce à la présence de nombreuses structures AP qui ont aidé le modèle pendant la segmentation. En revanche, la région de la tête et du cou semblait plus difficile pour obtenir une performance équilibrée entre les genres.
Métriques pour l'équité
Pour mieux comprendre le biais de genre, les chercheurs ont introduit plusieurs métriques, comme la Différence de Genre Moyenne (AGD) et la Différence de Genre Médiane (MGD). Ces métriques ont aidé à quantifier les différences de performance entre les patients masculins et féminins. Malgré certaines améliorations avec les modèles AP, des disparités de genre persistaient, reflétant les défis continus pour atteindre l'équité dans les modèles de segmentation.
Conclusions et prochaines étapes
Les résultats de cette recherche encouragent à explorer davantage l'utilisation d'informations anatomiques antérieures pour traiter le biais de genre dans les modèles de segmentation. Bien que certains modèles aient montré un potentiel pour réduire ces disparités, il y a encore des progrès à faire.
Les travaux futurs visent à tester ces méthodes sur des ensembles de données plus larges et à solliciter l'avis des cliniciens pour choisir les structures anatomiques les plus pertinentes à inclure. De plus, l'étude suggère de s'attaquer à d'autres biais courants, comme les disparités raciales et les variations basées sur la taille des patients, afin de créer des solutions de santé plus équitables grâce à la technologie.
Cette recherche souligne non seulement l'importance de traiter le biais de genre dans l'imagerie médicale, mais illustre aussi comment l'utilisation innovante d'informations anatomiques peut mener à une planification de traitement plus efficace et équitable en radiothérapie.
Titre: Investigating Gender Bias in Lymph-node Segmentation with Anatomical Priors
Résumé: Radiotherapy requires precise segmentation of organs at risk (OARs) and of the Clinical Target Volume (CTV) to maximize treatment efficacy and minimize toxicity. While deep learning (DL) has significantly advanced automatic contouring, complex targets like CTVs remain challenging. This study explores the use of simpler, well-segmented structures (e.g., OARs) as Anatomical Prior (AP) information to improve CTV segmentation. We investigate gender bias in segmentation models and the mitigation effect of the prior information. Findings indicate that incorporating prior knowledge with the discussed strategies enhances segmentation quality in female patients and reduces gender bias, particularly in the abdomen region. This research provides a comparative analysis of new encoding strategies and highlights the potential of using AP to achieve fairer segmentation outcomes.
Auteurs: Ricardo Coimbra Brioso, Damiano Dei, Nicola Lambri, Pietro Mancosu, Marta Scorsetti, Daniele Loiacono
Dernière mise à jour: 2024-09-24 00:00:00
Langue: English
Source URL: https://arxiv.org/abs/2409.15888
Source PDF: https://arxiv.org/pdf/2409.15888
Licence: https://creativecommons.org/licenses/by/4.0/
Changements: Ce résumé a été créé avec l'aide de l'IA et peut contenir des inexactitudes. Pour obtenir des informations précises, veuillez vous référer aux documents sources originaux dont les liens figurent ici.
Merci à arxiv pour l'utilisation de son interopérabilité en libre accès.