Ghidaj AI multimodal PET/CT pentru biopsia pulmonară — model de fuziune deep learning cu transfer learning pe 140 de pacienți

Context și relevanță clinică

Cancerul pulmonar este principala cauză de deces prin cancer la nivel mondial, cu aproximativ 2,2 milioane de cazuri noi și 1,8 milioane de decese anual, conform datelor IARC pentru 2022. Depistarea precoce a leziunilor pulmonare prin tomografie computerizată (CT) — implementată prin programele de screening cu doze reduse de radiații la fumătorii cu risc crescut — a crescut dramatic numărul leziunilor mici identificate care necesită caracterizare histologică. Biopsia percutanată ghidată CT este standardul de aur pentru obținerea diagnosticului tisular al leziunilor pulmonare suspecte, oferind o alternativă minim-invazivă față de bronhoscopia sau chirurgia toracoscopică video-asistată (VATS).

Ghidajul CT permite vizualizarea în timp real a acului de biopsie și a relației acestuia cu leziunea țintă și structurile anatomice adiacente (vase, bronhii, pleure). Cu toate acestea, planificarea manuală a traiectoriei optime — care minimizează riscul de pneumotorax, hemoragie sau lezare a vaselor — este dependentă de experiența operatorului, consumă timp semnificativ și rămâne subiectivă. Leziunile mici (sub 10 mm), excentric localizate sau cu topografie anatomică complexă (adiacente la vase mari, în regiuni paracardiale sau peridiafragmatice) sunt asociate cu rate de complicații mai mari și necesită operatori cu experiență ridicată.

Imagistica PET/CT cu 18F-FDG (fluorodeoxiglucoză) adaugă informație metabolică funcțională la anatomia CT, identificând zonele de hiperactivitate metabolică din leziunile maligne față de zonele neviabile sau necrotice ale aceleiași leziuni. Direcționarea biopsiei spre zonele PET-pozitive (metabolic active) dintr-o leziune heterogenă ar reduce rata falselor negative histologice și ar crește eficiența diagnostică a biopsiei. Cu toate acestea, integrarea manuală a informației PET cu CT procedural pentru planificarea biopsiei este dificilă și subiectivă, impunând utilizarea unor algoritmi de fuziune automată.

Inteligența artificială în imagistica medicală și biopsie ghidată

Rețelele neuronale profunde (deep learning) au transformat imagistica medicală în ultimii 10 ani, depășind performanța radiologilor umani la anumite sarcini de clasificare și segmentare pe seturi de date mari. Segmentarea automată a leziunilor pulmonare în imagini CT a atins acuratețe clinică cu modele nnU-Net, UNETR și SegFormer antrenate pe seturi de date publice (LUNA16, LIDC-IDRI). Cu toate acestea, fuziunea multimodală PET/CT rămâne dificilă din cauza diferenței de rezoluție, timpuri de achiziție și caracteristici de semnal între cele 2 modalități.

Problema principală în implementarea clinică a modelelor AI pentru biopsia ghidată PET/CT este scarcitatea datelor de antrenament adnotate: adnotarea manuală a sute sau mii de studii PET/CT de radiologi experți este extrem de costisitoare în timp, ceea ce limitează dimensiunea seturilor de antrenament disponibile. Transfer learning-ul — reutilizarea greutăților unui model preantrenat pe o sarcină similară sau pe un set de date mai mare — și adaptarea de domeniu semi-supravegheată (SSDA) sunt tehnici complementare care permit atingerea performanței clinice cu un volum redus de date de antrenament etichetate specific.

Design și metodologie

Studiul retrospectiv unicentric a inclus 140 de pacienți cu leziuni pulmonare care au necesitat biopsie percutanată ghidată CT la o unitate de radiologie intervențională din China. Cadrul metodologic al modelului de fuziune multimodală a integrat mai multe componente arhitecturale inovatoare:

• Segmentare 2D nnU-Net slice-wise — backbone de segmentare derivat din arhitectura nnU-Net (No-New-Net), optimizat adaptiv la caracteristicile setului de date, aplicat pe secțiuni CT individuale cu agregare 3D a predicțiilor pentru reconstrucția volumetrică a leziunii.
• Extracție duală de caracteristici PET/CT — 2 ramuri separate de extracție a caracteristicilor (stream-uri), una pentru canalul CT (informație anatomică/densitate tisulară) și una pentru canalul PET (informație metabolică/activitate FDG), permițând procesarea independentă optimizată a fiecărei modalități înainte de fuziune.
• Fuziune cu atenție cross-modală multi-scalară — mecanism de atenție inspirat din transformatoare (cross-attention) care determină dinamic ponderea informației PET vs. CT la fiecare scară spațială în rețeaua de fuziune, adaptând importanța relativă a celor 2 modalități în funcție de conținutul local al imaginii.
• Preantrenare pe domeniu sursă — inițializarea greutăților modelului prin antrenament pe seturi de date CT-only mai mari și mai bine adnotate (domeniu sursă) înainte de fine-tuning pe setul restrâns de date PET/CT adnotate (domeniu țintă), transferând cunoștințele generale de segmentare pulmonară.
• Adaptare semi-supravegheată la domeniu (SSDA) — utilizarea imaginilor PET/CT neanotate în combinație cu un număr restrâns de imagini adnotate, prin tehnici de pseudo-etichetare și consistență a predicțiilor, pentru a maximiza utilizarea datelor disponibile.

Rezultate principale

Performanța de segmentare

Cadrul propus a atins un DSC (Dice Similarity Coefficient) mediu de 0,84 ± 0,06 pentru segmentarea leziunilor pulmonare în studiile PET/CT — o valoare considerată clinic acceptabilă pentru aplicații de ghidaj procedural, comparabilă cu variabilitatea inter-observator a radiologilor experți care adnotează manual aceleași leziuni. Distanța Hausdorff 95% și distanța medie de suprafață, indicatori ai erorilor maxime și medii de delineere a conturului, s-au încadrat în parametri similari cu literatura de specialitate pentru segmentarea CT a leziunilor pulmonare. Studiile de ablație au confirmat contribuția pozitivă semnificativă a fiecărei componente arhitecturale: SSDA, preantrenarea și fuziunea cross-modală au adus câștiguri individuale cuantificabile de performanță față de variante simplificate ale modelului.

Performanța înaltă s-a menținut cu doar 30% din imaginile adnotate manual (față de 100%), demonstrând că strategia de transfer learning + SSDA reduce efectiv nevoia de adnotare manuală extensivă cu menținerea calității rezultatelor — aspect critic pentru implementarea practică unde resursele de adnotare sunt limitate.

Planificarea automată a traiectoriei acului

Generarea automată a traiectoriei optime a acului de biopsie pornind de la segmentarea 3D a leziunii a obținut o rată de succes de 85,7% — definită ca concordanța cu traiectoria planificată manual de un radiolog intervenționist experimentat și absența intersectării cu structuri de risc (vase mari, pleura viscerală cu risc crescut de pneumotorax, cord, diafragm). Planificarea automată a redus semnificativ timpul total de planificare pre-procedurală față de planificarea manuală. Traiectoriile automate au evitat complicațiile potențiale confirmate prin analiza structurilor anatomice interesate virtual.

Rezultate secundare și limitări

Studiile de ablație realizate cu proporții de adnotare de 10%, 30% și 50% au confirmat că 30% din adnotări reprezintă pragul minim pentru menținerea performanței clinice acceptabile, oferind un ghid practic pentru implementare. Analiza calitativă a cazurilor eșuate (14,3% din traiectoriile automate considerate inacceptabile) a relevat că cele mai dificile cazuri implică leziuni adiacente vaselor hilare mari sau leziuni cu morfologie neregulată extremă.

Principalele limitări ale studiului includ: caracterul retrospectiv și unicentric, cu risc de eroare sistematică de selecție și limitarea generalizabilității; lotul de 140 de pacienți este relativ mic pentru validarea robustă a unui sistem de inteligență artificială cu aplicație clinică; lipsa validării prospective a planificării automate față de rate reale de complicații și rate de diagnostic histologic pozitiv; evaluarea exclusivă în imagistică PET/CT cu FDG, fără testare pe alte tipuri de trasori PET sau pe CT cu contrast; absența comparației cu alte arhitecturi de fuziune PET/CT publicate recent; și caracterul unicentric impune validare externă pe date de la alte instituții cu echipamente PET/CT diferite și populații de pacienți diferite.

Concluzii și implicații practice

Cadrul de fuziune multimodală PET/CT propus abordează o problemă clinică reală: integrarea sistematică și automată a informației metabolice PET cu ghidajul anatomic CT pentru optimizarea biopsiei pulmonare percutanate. Atingerea unui DSC de 0,84 și a unei rate de succes de 85,7% în planificarea automată a traiectoriei, cu performanță menținută la numai 30% date adnotate, demonstrează fezabilitatea clinică a abordării și potențialul de reducere a sarcinii expertului uman.

Dacă validat prospectiv pe cohorte multicenter mai largi, un sistem de ghidaj automat PET/CT ar putea reduce variabilitatea inter-operator în planificarea biopsiei pulmonare, extinde accesul la proceduri de calitate înaltă în unități cu mai puțin personal cu experiență în radiologia intervențională și potențial crește rata de diagnostic histologic pozitiv prin direcționarea precisă a biopsiei spre zonele metabolic active ale leziunilor eterogene. Integrarea cu sistemele de navigație intraoperatorie în timp real rămâne un pas următor esențial pentru implementarea clinică completă.