Robust Kidney Abnormality Segmentation: A Validation Study of an AI-Based Framework

要約

腎臓の異常のセグメンテーションは、特に定量的評価を必要とする設定で、臨床ワークフローを強化する重要な可能性があります。
腎臓の体積は、腎疾患の重要なバイオマーカーとして機能し、体積の変化は腎機能と直接相関しています。
現在、臨床診療はしばしば、腫瘍や嚢胞を含む腎臓のサイズと異常を評価するための主観的な視覚評価に依存しており、通常は直径、体積、解剖学的位置に基づいてステージングされています。
より客観的で再現性のあるアプローチをサポートするために、この研究は、臨床および研究の使用に合わせて公開された、堅牢で徹底的に検証された腎臓異常セグメンテーションアルゴリズムを開発することを目的としています。
公開されているトレーニングデータセットを採用し、最先端の医療画像セグメンテーションフレームワークNNU-NETを活用しています。
検証は、独自およびパブリックテストデータセットの両方を使用して実施され、セグメンテーションパフォーマンスは、サイコロ係数と95パーセンタイルのhausdorff距離によって定量化されます。
さらに、患者の性別、年齢、CTコントラスト段階、および腫瘍の組織学的サブタイプに基づいて、サブグループ間の堅牢性を分析します。
私たちの調査結果は、公開されているデータのみで訓練されたセグメンテーションアルゴリズムが、外部テストセットに効果的に一般化し、すべてのテストされたデータセットで既存の最先端モデルを上回ることを示しています。
サブグループ分析は、一貫した高性能を明らかにし、強い堅牢性と信頼性を示しています。
開発されたアルゴリズムと関連するコードは、https：//github.com/diagnijmegen/oncology-kidney-abnormality-segmentationで公開されます。

要約(オリジナル)

Kidney abnormality segmentation has important potential to enhance the clinical workflow, especially in settings requiring quantitative assessments. Kidney volume could serve as an important biomarker for renal diseases, with changes in volume correlating directly with kidney function. Currently, clinical practice often relies on subjective visual assessment for evaluating kidney size and abnormalities, including tumors and cysts, which are typically staged based on diameter, volume, and anatomical location. To support a more objective and reproducible approach, this research aims to develop a robust, thoroughly validated kidney abnormality segmentation algorithm, made publicly available for clinical and research use. We employ publicly available training datasets and leverage the state-of-the-art medical image segmentation framework nnU-Net. Validation is conducted using both proprietary and public test datasets, with segmentation performance quantified by Dice coefficient and the 95th percentile Hausdorff distance. Furthermore, we analyze robustness across subgroups based on patient sex, age, CT contrast phases, and tumor histologic subtypes. Our findings demonstrate that our segmentation algorithm, trained exclusively on publicly available data, generalizes effectively to external test sets and outperforms existing state-of-the-art models across all tested datasets. Subgroup analyses reveal consistent high performance, indicating strong robustness and reliability. The developed algorithm and associated code are publicly accessible at https://github.com/DIAGNijmegen/oncology-kidney-abnormality-segmentation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google