INTRODUCCIÓN

En las imágenes médicas, los modelos de Aprendizaje Profundo (AD) a menudo tienen la tarea de delinear estructuras o anomalías dentro de estructuras anatómicas complejas, como tumores, vasos sanguíneos u órganos. La incertidumbre surge de la complejidad y variabilidad inherentes a estas estructuras, lo que dificulta la definición precisa de sus límites. Esta incertidumbre se ve agravada por la variabilidad entre evaluadores, ya que distintos expertos médicos pueden tener opiniones divergentes sobre dónde se encuentran los verdaderos límites. Los modelos DL deben lidiar con estas discrepancias, lo que provoca incoherencias en los resultados de la segmentación entre distintos anotadores y puede afectar a las decisiones de diagnóstico y tratamiento.

Abordar la variabilidad entre evaluadores en la DL para la segmentación médica implica el desarrollo de algoritmos robustos capaces de captar y cuantificar la incertidumbre, así como estandarizar las prácticas de anotación y promover la colaboración entre expertos médicos para reducir la variabilidad y mejorar la fiabilidad del análisis de imágenes médicas basado en la DL. La variabilidad interrogativa plantea importantes retos en el campo de la DL para la segmentación de imágenes médicas.

Este reto está diseñado para promover la concienciación sobre el impacto que tiene la incertidumbre en las aplicaciones clínicas del análisis de imágenes médicas. En nuestra edición del año pasado, propusimos un concurso basado en modelar la incertidumbre de segmentar tres órganos abdominales, a saber, riñón, hígado y páncreas, centrándonos en el volumen del órgano como magnitud clínica de interés. Este año, vamos un paso más allá y proponemos segmentar estructuras patológicas pancreáticas, concretamente el Adenocarcinoma Ductal Pancreático (PDAC), con el objetivo clínico de comprender la afectación vascular, una medida clave de la resecabilidad tumoral. En este contexto, la cuantificación de la incertidumbre es una tarea mucho más difícil, dados los contornos salvajemente variables que muestran las distintas instancias de PDAC.

Este año, proporcionaremos un conjunto de datos más rico, en el que partiremos de un conjunto de datos ya existente de TC abdominales mejoradas con contraste y verificadas clínicamente con un único conjunto de anotaciones manuales (proporcionado por la organización PANORAMA, a la que invitamos a formar parte de nuestro reto), y nos esforzaremos por construir cuatro anotaciones manuales adicionales por caso de PDAC. De este modo, reuniremos un conjunto de datos único que crea una notable oportunidad para analizar el impacto de las anotaciones de múltiples evaluadores en varias dimensiones, por ejemplo, diferentes protocolos de anotación o diferentes experiencias de los anotadores, por nombrar algunas.