Il cancro al polmone, in particolare il carcinoma polmonare non a piccole cellule (NSCLC), rimane la tipologia più comune e aggressiva, con esiti di sopravvivenza limitati. Sebbene la TC sia lo standard per la stadiazione e il monitoraggio, le attuali valutazioni manuali e soggettive sono dispendiose in termini di tempo e incoerenti.
Il nostro studio introduce LLSB-CFPR, una nuova pipeline di apprendimento profondo progettata per segmentare automaticamente molteplici lesioni di cancro al polmone in diversi set di dati TC reali. A differenza dei metodi convenzionali che si concentrano solo sui tumori primari, questo approccio cattura tutte le lesioni rilevabili, consentendo una visione completa del carico di malattia, fondamentale per la prognosi, la pianificazione del trattamento e il monitoraggio.
Affrontando la variabilità delle immagini nel mondo reale e andando oltre la segmentazione delle singole lesioni, questo lavoro rappresenta un passo significativo verso strumenti affidabili e automatizzati in grado di supportare i medici nella cura di routine del cancro al polmone.
Xavier Rafael-Palou; Ana Jimenez-Pastore; Luis Martí-Bonmatí; Carlos F. Muñoz-Nuñez; Mario Laudazi; Ángel Alberich-Bayarri