Segmentierung von adulten Gliomen in Subsahara-Afrika unter Verwendung von Transfer Learning auf stratifiziertem Fine-Tuning-Datenmaterial

Gliome, eine Form von Hirntumoren mit hoher Mortalität, stellen in Ländern mit niedrigem und mittlerem Einkommen – insbesondere in Subsahara-Afrika – erhebliche diagnostische Herausforderungen dar. In dieser Arbeit wird ein neuartiger Ansatz zur Gliom-Segmentierung vorgestellt, der Transferlernen nutzt, um die Probleme in ressourcenarmen Regionen zu bewältigen, in denen nur geringe Mengen und niedrigwertige MRT-Daten verfügbar sind. Wir nutzen vortrainierte Deep-Learning-Modelle, nämlich nnU-Net und MedNeXt, und wenden eine stratierte Feinabstimmungsstrategie unter Verwendung der Datensätze BraTS2023-Adult-Glioma und BraTS-Africa an. Unser Verfahren nutzt radiomische Analysen zur Erstellung stratifizierter Trainingsfolds, führt das Modelltraining auf einem großen Hirntumor-Datensatz durch und überträgt die Kenntnisse mittels Transferlernen in den Kontext Subsahara-Afrikas. Zur Verbesserung der Segmentierungsgenauigkeit werden eine gewichtete Modellensemblierung und adaptives Post-Processing eingesetzt. Die Bewertung unseres vorgeschlagenen Ansatzes an bisher unbekannten Validierungsfällen im Rahmen der BraTS-Africa 2024-Aufgabe ergab lesion-wise mittlere Dice-Scores von 0,870, 0,865 und 0,926 für die Bereiche enhancing tumor, tumor core und whole tumor und platzierte uns auf Platz eins der Herausforderung. Unser Ansatz unterstreicht das Potenzial integrierter maschineller Lernverfahren, die Kluft zwischen den medizinischen Bildgebungskapazitäten ressourcenarmen Ländern und etablierten entwickelten Regionen zu schließen. Indem wir unsere Methoden an die spezifischen Bedürfnisse und Einschränkungen der Zielbevölkerung anpassen, zielen wir darauf ab, die diagnostischen Fähigkeiten in isolierten Umgebungen zu verbessern. Unsere Ergebnisse betonen die Bedeutung von Ansätzen wie lokaler Datensammlung und Feinabstimmung der Stratifizierung, um gesundheitliche Ungleichheiten zu überwinden, praktische Anwendbarkeit sicherzustellen und die Wirksamkeit zu erhöhen.Eine Docker-basierte Version des Gewinner-Algorithms der BraTS-Africa 2024-Aufgabe ist unter https://hub.docker.com/r/aparida12/brats-ssa-2024 verfügbar.