Diseño y desarrollo de un sistema visual de seguimiento longitudinal de lesiones tumorales ayudado por IA basado en el visor de código abierto OHIF

Introducción: en la era actual en el campo médico de oncología, la selección de estudios y su anotación debe ser realizada por radiólogos para asegurar su calidad. Sin embargo, dichos expertos habitualmente carecen del tiempo suficiente para hacerlo debido a su carga asistencial. Los recientes avances en modelos de segmentación automáticos de inteligencia artificial (IA) y en concreto su compatibilidad con ciertos visores de imágenes médicas, suponen una buena base para encontrar una solución. En este trabajo, se desarrolla una extensión para OHIF (Open Health Image Foundation) Viewer, un visor de código abierto compatible con modelos MONAI (Medical Open Network for IA), con la idea de que resulte más fácil y rápido realizar un seguimiento de lesiones tumorales. Objetivos: el objetivo es desarrollar una extensión que agilice el proceso de anotación de estudios médicos oncológicos a través de modelos de segmentación asistidos por IA Métodos: para el desarrollo de la extensión se ha modificado el código del visor aprovechando su arquitectura modular y extensible, que permite modificar y crear componentes de forma independiente. Con este enfoque, se ha modificado la interfaz inicial y la herramienta de medidas para que sea más cómodo comparar y realizar anotaciones en varios estudios simultáneamente. Además, se han implementado nuevas funcionalidades relacionados con el seguimiento automático de lesiones tumorales, empleando para ello modelos de segmentación automáticos basados en IA y unos criterios médicos denominados RECIST (Response Evalutation Criteria in Solid Tumours). De esta manera, se ha creado un sistema capaz de generar anotaciones correspondientes al diámetro máximo de lesiones tumorales presentes en un paciente. A partir de estas medidas se pueden generar y almacenar informes en formato DICOM (Digital Imaging and Communication in Medicine) donde se evalúa el estado global de la enfermedad y su evolución a lo largo del tiempo. Resultados: se ha comprobado que la extensión permite realizar proyectos de anotación de forma mucho más rápida en comparación con el tiempo que tomaría hacerlos manualmente. Además, la extensión es capaz de generar correctamente documentos que analicen el estado global de una enfermedad tumoral a través de las anotaciones realizadas y con el formato de archivos que actualmente se maneja en medicina. Conclusiones: la extensión creada plantea una forma más cómoda y sencilla de comparar estudios y permite analizar de forma automática lesiones tumorales presentes en ellos. En consecuencia, su uso reduce el tiempo que debe dedicar un radiólogo a la realización y valoración de proyectos de anotación. No obstante, es una herramienta cuyos resultados deben ser revisados y que presenta funcionalidades que todavía se pueden mejorar y ampliar.

Introduction: currently, in the medicine field of oncology, study selection and annotation must be done by professionals to ensure their quality. However, these professionals haven’t got enough time to work in these tasks due to their patient workload. Recent discoveries and advancements in automatic segmentation models using artificial intelligence (AI), and their specific compatibility with some medical image viewers, can provide a good starting point to find a solution. In this work, a new extension is developed for OHIF Viewer, an open-source medical image viewer compatible with MONAI models, with the idea of creating an easier and faster way to follow the progression of tumour lesions. Objectives: the objective is to develop an extension that accelerates the oncological studies annotation process using AI assisted segmentation models. Methods: for the development of the extension, the visor’s code has been modified taking advantage of its modular and extensible architecture, which allows the individual modification and creation of components. With this approach, the initial interface and the annotations tools have been modified to facilitate the comparison and annotation of multiple studies simultaneously. In addition, new functionalities related to monitoring the progression of tumour lesions have been added using AI-assisted models and based on a medical standard named RECIST. In this way, automatic annotations corresponding to the maximum diameter of tumour lesions present in a patient can be generated. From these measurements, reports can be generated and stored in DICOM format, where the overall state of the disease and evolution over time are evaluated. Results: the developed extension has proven to be able to complete annotation projects much faster compared to the time it would take to do them manually. Furthermore, it is capable of correctly generating documents that analyse the global state of a tumour disease using the current file format employed in medicine. Conclusions: the created extension provides a more comfortable and simpler way of comparing studies and an automatic analysis of the global state of tumour lesions present in them. In this way, the time a doctor must dedicate to carry out and evaluate annotation projects is reduced. However, it is a tool whose results must be reviewed and with some functionalities that can still be improved or expanded.