Introducere
Inteligenţa artificială a început să câştige tot mai mult teren în toate domeniile, dar mai ales în imagistica medicală, unde întotdeauna a fost nevoie de tehnologie nouă pentru a îmbunătăţi calitatea imaginilor şi viteza de achiziţie a acestora. Sistemele de inteligenţă artificială au acces la o bază de date foarte mare şi se bazează în principal pe recunoaşterea unor algoritmi, având date de la cei mai buni specialişti din domeniu, iar viteza prin care pot recunoaşte o anumită patologie este mai rapidă, rezultând date cu acurateţe mai mare. Aceste sisteme pot fi folosite pentru achiziţia imaginilor, codificarea procedurilor şi efectuarea unor reconstrucţii standard, gestionând astfel volumul de muncă mai bine(1,2).
Sistemele de inteligenţă artificială se bazează pe două concepte, cum ar fi metoda de învăţare automată şi învăţarea profundă structurată. Învăţarea automată este o tehnică folosită pentru a oferi computerelor capacitatea de a învăţa reguli, de a îndeplini anumite sarcini şi de a se îmbunătăţi automat din experienţa lor. Învăţarea profundă structurată foloseşte reţele neuronale artificiale, care imită cunoaşterea umană, ea putând detecta, clasifica şi recunoaşte anumite tipare din seturi mari de date(3,4).
Analiza automată a creierului este folosită din ce în ce mai mult în practica clinică, nu doar în scop diagnostic, ci şi pentru a urmări evoluţia bolii şi răspunsul la tratament. Segmentarea manuală este dificilă şi consumatoare de timp, nefiind foarte utilizată în practica clinică, dar cu ajutorul unui algoritm de inteligenţă artificială se poate segmenta parenchimul cerebral în substanţă albă, substanţă cenuşie, lichid cefalorahidian şi se poate estima volumul de mielină(5). Zhao et al. au utilizat o segmentare automată pentru a cuantifica măsurile volumetrice ale zonelor relevante din punct de vedere cognitiv (hipocamp, amigdală, lobul temporal, lobul frontal, lobul cingulat, ventriculul III şi cei laterali, zona insulară) şi au arătat că această volumetrie poate diferenţia stadiile timpurii ale bolii Alzheimer de procesul de îmbătrânire fiziologică(6). Yu et al. au propus un nou indice integrat prin valorificarea măsurătorilor volumetrice cerebrale pentru a diferenţia demenţa frontotemporală de boala Alzheimer, acestea fiind dificil de identificat clinic din cauza simptomatologiei asemănătoare(7).
În imagistica cerebrală, aceste aplicaţii sunt folosite mai ales în scleroza multiplă, unde este nevoie să analizăm numărul, volumul, locaţia şi activitatea leziunilor, iar aceste date trebuie comparate în dinamică cu imaginile anterioare. Analizarea leziunilor cu mai multă precizie este facilitată de existenţa sistemului de inteligenţă artificială(8). Un soft asemănător celui folosit în imagistica cerebrală este utilizat şi la nivelul imagisticii de prostată, unde se analizează dimensiunea şi volumul tumoral, extensia extracapsulară şi coeficientul de difuzie al leziunii, aceste măsurători influenţând managementul terapeutic(9).
La nivel cardiac, inteligenţa artificială are o utilitate extinsă, analizând volumul sistolic şi diastolic, fracţia de ejecţie, anomaliile de mişcare a pereţilor, perfuzia miocardică, modificările cicatriciale, morfologia cardiovasculară complexă prin reconstrucţie 3D, fluxul sanguin miocardic, utilizând diverse instrumente de măsurare ce permit analiza rapidă şi conferă o acurateţe mai mare a imaginilor(10).
Analiza funcţiei cardiace prin rezonanţă magnetică are un rol important în diagnosticarea bolii, în managementul pacientului, stratificarea riscului şi planului terapeutic. Pentru evaluarea funcţiei cardiace au fost realizate tehnologii noi care se pot obţine cu respiraţia liberă. Achiziţia imaginilor este mai rapidă, reconstrucţia lor durează mai mult, fiind utilă la anumite categorii de pacienţi, cum ar fi copiii şi cei cu probleme respiratorii care nu pot să realizeze perioade de apnee, imaginile rezultate prezentând artefacte. Inteligenţa artificială are o aplicabilitate mare în rezonanţa magnetică cardiacă. Cuantificarea zonelor cicatriciale pe secvenţa de priză de contrast miocardică tardivă este utilă pentru stratificarea riscului şi pentru planificarea unor intervenţii ulterioare. Masa şi volumul ventricular stâng sunt esenţiale pentru managementul pacienţilor cardiovasculari, fiind factori de risc independenţi pentru evenimentele adverse cardiovasculare(11,12).
Schofield et al. au folosit analiza texturală pentru a diferenţia etiologia hipertrofiei ventriculare stângi şi Larozza et al. au utilizat aceeaşi analiză pentru a diferenţia infarctul miocardic acut de cel cronic(13,14).
Weng et al. au realizat un studiu din datele clinice a 378.256 de pacienţi din Marea Britanie prin care au analizat un algoritm de predicţie a riscului stabilit conform AHA/ACC şi au constatat că sistemele de inteligenţă artificială au oferit informaţii mai precise în identificarea persoanelor care vor dezvolta evenimente cardiovasculare faţă de cele care nu vor dezvolta astfel de evenimente, deoarece algoritmul automat a încorporat toate afecţiunile medicale preexistente ale fiecărui pacient şi nu s-a limitat doar la anumiţi factori de risc(15).
Caracterizarea ţesutului cardiac prin aplicarea unui algoritm de inteligenţă artificială se bazează în principal pe optimizarea achiziţiei imaginilor şi pe reducerea artefactelor şi a timpului de analiză(16). O altă utilizare a inteligenţei artificiale este segmentarea ţesutului cicatricial la nivel de atriu stâng. Această metodă este importantă deoarece prezenţa zonelor cicatriciale este corelată cu dezvoltarea fibrilaţiei atriale(17).
Baessler et al. au utilizat analiza texturală, T1 fără administrarea substanţei de contrast şi abordări bazate pe învăţarea automată pentru detectarea modificărilor ţesutului miocardic în cardiomiopatia hipertrofică, cu sensibilitate de 94% şi o specificitate de 90% privind distincţia dintre ţesutul miocardic al pacienţilor sănătoşi şi ţesutul miocardic al celor cu cardiomiopatie hipertrofică(18).
Dawes et al. au propus un algoritm de inteligenţă artificială care foloseşte o segmentare semiautomată a imaginilor din secvenţa „cine” pentru a crea un model tridimensional al mişcării ventriculare drepte. Acest algoritm prezice mortalitatea independent de factorii de risc convenţionali la pacienţii cu hipertensiune pulmonară nou diagnosticată(19).
Conflict of interests: The authors declare no conflict of interests.