Сегментация опухоли Вильмса на МРТ имеет клиническое значение, но ручная разметка требует времени и зависит от оператора. Глубокое обучение позволяет автоматизировать процесс, однако традиционно требует больших обучающих выборок — что проблематично в педиатрической популяции. Голландские исследователи изучили, как число обучающих примеров влияет на качество автоматической сегментации опухоли Вильмса с помощью nnU-Net — готового фреймворка для сегментации изображений.

В ретроспективное исследование включили 56 пациентов с подозрением на опухоль Вильмса. Предоперационные МРТ-сканы разделили на обучающую (n=45) и тестовую (n=11) выборки. nnU-Net обучали на случайной выборке из 5 пациентов, затем постепенно добавляли по 5 пациентов до полной выборки из 45 случаев. Процесс повторили 5 раз для учёта случайной вариабельности. В качестве критерия качества использовали Dice score, прагматически определив порог >0.80 как референсный уровень.

Минимальная выборка из 5 пациентов дала медианный Dice score 0.38. Полная выборка из 45 пациентов — 0.91. Критически важно: медианный Dice score 0.80 был достигнут при использовании всего 10 обучающих примеров. Однако наблюдалась существенная зависимость от случайного выбора обучающих данных (наибольший разброс — при 5 пациентах) и значительная вариабельность между 11 тестовыми случаями.

Результаты показывают принципиальную возможность обучения моделей на малых выборках (10 пациентов для медианного Dice score 0.80), но с важной оговоркой: высокая вариабельность между отдельными тестовыми случаями указывает на критическое значение клинической репрезентативности обучающих данных. Разброс результатов при различных случайных подвыборках подчёркивает необходимость тщательного формирования обучающих датасетов в условиях ограниченных размеров выборок, неизбежных в детской онкологии.