Oltre la ground truth: un motore euristico non supervisionato di controllo della qualità per diagnosticare la cecità di calibrazione nella segmentazione dentale

Abstract degli autori

Nelle reali condizioni cliniche, la segmentazione delle radiografie dentali con metodi di deep learning presenta problemi di affidabilità. Anche quando la qualità della segmentazione è scarsa, i modelli di deep learning mostrano un’elevata confidenza nelle proprie previsioni (cecità di calibrazione). Inoltre, nell’uso reale, i medici non dispongono di maschere ground truth per verificarne l’accuratezza. Per affrontare questo problema, presentiamo HUS-QA, un semplice motore di controllo della qualità articolato in tre fasi. Lo addestriamo sul dataset PRAD (Periapical Dental X-ray) per realizzare il nostro modello SimCLR self-supervised ResNet-18 U-Net, che genera la maschera di segmentazione e poi ne valuta la qualità. HUS-QA verifica la qualità della maschera di segmentazione senza una maschera ground truth. Gli indicatori semplici considerati in questo studio sono la confidenza delle previsioni, la nitidezza dei bordi, la connettività della forma e una penalità basata sulle dimensioni dell’area. I risultati mostrano che i metodi standard basati sulla confidenza falliscono (r = -0,1394, p = 1,7864e-3, ROC AUC = 0,4275). Al contrario, HUS-QA mostra una correlazione positiva con i punteggi Dice effettivi (r = 0,4647, p = 3,7510e-28) e raggiunge un ROC-AUC elevato, pari a 0,8405. HUS-QA si configura quindi come uno strumento pratico per il controllo della qualità in ambito clinico.