Exploring the Limits of Foundation Models in Medical Image Segmentation: A Case Study With SAM and Genetic Algorithms

Resumen

Este artículo investiga los límites de los modelos fundacionales en la segmentación de imágenes médicas, centrándose principalmente en SAM, desarrollado por Meta. Si bien investigaciones previas demostraron el potencial de SAM para una segmentación eficiente en términos de costes, este estudio explora la mejora de su rendimiento mediante la integración de la optimización de prompts (indicadores) y algoritmos genéticos, con el objetivo de reducir aún más la intervención del usuario. Como prueba de concepto, aplicamos este enfoque novedoso a tareas de segmentación pulmonar utilizando tomografías computarizadas (TC) axiales de pulmón, conjuntos de datos de radiografías de tórax frontales e imágenes de resonancia magnética (RM) de bazo. Nuestros resultados revelan que la optimización mediante algoritmos genéticos mejora significativamente la precisión de segmentación de SAM, acercándola al rendimiento puntero logrado por modelos entrenados específicamente para estas tareas. En particular, al compararla con nuestro enfoque anterior, esta técnica alcanza un índice de Jaccard del 94,85 % (variación de +3,77) y una puntuación Dice del 97,17 % (variación de +2,50) en TC pulmonares; un índice de Jaccard del 93,39 % (variación de +5,95) y una puntuación Dice del 96,57 % (variación de +3,38) en radiografías de tórax; y un índice de Jaccard del 91,00 % (variación de +6,51) y una puntuación Dice del 95,07 % (variación de +4,12) en RM de bazo. Cabe destacar que esta mejora se consigue sin necesidad de reentrenar ni modificar la arquitectura de SAM. No obstante, nuestro análisis también identifica una limitación inherente en este enfoque de optimización, revelando un techo de rendimiento que no puede superarse a pesar de realizar más iteraciones del algoritmo genético. Las implicaciones de estos hallazgos subrayan el potencial de combinar modelos fundacionales con técnicas de optimización no intrusivas para lograr una segmentación de imágenes médicas eficiente y accesible. Si bien las limitaciones relacionadas con los conjuntos de datos podrían afectar a la generalizabilidad, sigue siendo esencial validar el enfoque en escenarios clínicos más amplios. Los trabajos futuros deberían explorar aplicaciones en otros órganos y diversos conjuntos de datos, así como la integración de estrategias que incorporen la intervención de expertos para potenciar la utilidad clínica.