REVIEW

Inteligenţa artificială în radiologie – review general

 Artificial intelligence in radiology – general review

First published: 30 noiembrie 2021

Editorial Group: MEDICHUB MEDIA

DOI: 10.26416/Med.144.6.2021.2025

Abstract

Artificial intelligence has begun to gain more and more ground in all fields, being increasingly used in the field of radiology where it has the role of improving image quality, reducing acquisition time, optimizing image reconstruction and accessing large databases in real time. The two con­­cepts on which artificial intelligence is based are the ma­­chine learning and deep learning. There are more and more stu­dies that analyze the role of artificial intelligence and pro­pose new models of algorithms designed to help the ra­dio­lo­gist in his daily practice. In the brain, it is used especially in multiple sclerosis, and volumetry can assess the degree of atrophy in Alzheimer’s disease or in frontotemporal de­men­tia. Volumetry is also used in the prostate, where these measurements influence the therapeutic management. Ar­ti­fi­cial intelligence algorithms have a large applicability in the analysis of cardiac func­tion, as they offer the possibility to cre­ate a complex car­dio­vas­cu­lar morphology through 3D re­con­struc­tion, to eva­luate myocardial perfusion, to quan­t­ify scar areas and to detect abnormalities of wall move­ment. Cardiac textural ana­lysis on non-contrast sequences has begun to be increasingly studied for the evaluation of myo­car­dial tissue.
 

Keywords
MRI, artificial intelligence, volumetry, textural analysis, algorithm

Rezumat

Inteligenţa artificială a început să câştige tot mai mult teren în toate domeniile, fiind tot mai des folosită şi în domeniul ra­dio­lo­giei, unde are rolul de a îmbunătăţi calitatea imaginilor, de a reduce timpul de achiziţie, de a optimiza reconstrucţia ima­­gi­nilor şi de a accesa baze mari de date în timp real. Cele două con­cep­te pe care se bazează inteligenţa artificială sunt metoda de învăţare automată şi învăţarea profundă structurată. Sunt tot mai multe studii care analizează rolul inteligenţei artificiale şi care propun modele noi de algoritmi menite să ajute medicul ra­dio­log în practica de zi cu zi. La nivel cerebral este folosită mai ales în scleroza multiplă, iar prin volumetrie se poate apre­cia gradul atrofiei în boala Alzheimer sau în demenţa frontotem­po­ra­lă. Volumetria este utilizată şi la nivel prostatic, unde aceste mă­­su­ră­tori influenţează managementul terapeutic. Algoritmii de inteligenţă artificială au o mare aplicabilitate în analiza func­ţiei cardiace, oferind posibilitatea de a crea o morfologie car­dio­vas­cu­lară complexă prin reconstrucţie 3D, de a evalua per­fu­zia miocardică, de a cuantifica zonele cicatriciale şi de a detecta anomaliile de mişcare a pereţilor. Analiza texturală car­dia­că pe secvenţe fără substanţă de contrast a început să fie tot mai mult studiată pentru evaluarea ţesutului miocardic.
 

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.

Bibliografie

  1. Forney MC, McBride AF. Artificial Intelligence in Radiology Residency Training. Semin Musculoskelet Radiol. 2020 Feb;24(1):74-80. doi: 10.1055/s-0039-3400270.
  2. Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJWL. Artificial intelligence in radiology. Nat Rev Cancer. 2018 Aug;18(8):500-510. doi: 10.1038/s41568-018-0016-5. 
  3. Seetharam K, Min JK. Artificial Intelligence and Machine Learning in Cardiovascular Imaging. Methodist Debakey Cardiovasc J. 2020;16(4):263-271. doi:10.14797/mdcj-16-4-263.
  4. Dey D, Slomka PJ, Leeson P, Comaniciu D, Shrestha S, Sengupta PP, Marwick TH. Artificial Intelligence in Cardiovascular Imaging: JACC State-of-the-Art Review. J Am Coll Cardiol. 2019 Mar 26;73(11):1317-1335. doi: 10.1016/j.jacc.2018.12.054.
  5. Warntjes M, Engström M, Tisell A, Lundberg P. Modeling the Presence of Myelin and Edema in the Brain Based on Multi-Parametric Quantitative MRI. Front Neurol. 2016 Feb 17;7:16. doi: 10.3389/fneur.2016.00016.
  6. Zhao W, Luo Y, Zhao L, Mok V, Su L, Yin C, Sun Y, Lu J, Shi L, Han Y. Automated Brain MRI Volumetry Differentiates Early Stages of Alzheimer’s Disease From Normal Aging. J Geriatr Psychiatry Neurol. 2019 Nov;32(6):354-364. doi: 10.1177/0891988719862637
  7. Yu Q, Mai Y, Ruan Y, Luo Y, Zhao L, Fang W, Cao Z, Li Y, Liao W, Xiao S, Mok VCT, Shi L, Liu J; National Alzheimer’s Coordinating Center, the Alzheimer’s Disease Neuroimaging Initiative; Frontotemporal Lobar Degeneration Neuroimaging Initiative. An MRI-based strategy for differentiation of frontotemporal dementia and Alzheimer’s disease. Alzheimers Res Ther. 2021 Jan 12;13(1):23. doi: 10.1186/s13195-020-00757-5.
  8. Granziera C, Wuerfel J, Barkhof F, Calabrese M, de Stefano N, Enzinger C, Evangelou N, Filippi M, Geurts JJG, Reich DS, Rocca MA, Ropele S, Rovira Ŕ, Sati P, Toosy AT, Vrenken H, MAGNIMS Study Group, Gandini Wheeler-Kingshott CAM, Kappos L. Quantitative magnetic resonance imaging towards clinical application in multiple sclerosis. Brain. 2021;144(5):1296-1311. https://doi.org/10.1093/brain/awab029.
  9. Schieda N, Lim CS, Zabihollahy F, Abreu-Gomez J, Krishna S, Woo S, Melkus G, Ukwatta E, Turkbey B. Quantitative Prostate MRI. J Magn Reson Imaging. 2021 Jun;53(6):1632-1645. doi: 10.1002/jmri.27191.
  10. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Applications of Artificial Intelligence in Cardiology. The Future is Already Here. Rev Esp Cardiol (Engl Ed). 2019 Dec;72(12):1065-1075. English, Spanish. doi: 10.1016/j.rec.2019.05.014.
  11. Fan Y, Yan Z, Pinggui L, Lihui W, Yuehong M, Hong X, Zhu Z. A Deep Learning Segmentation Approach in Free-Breathing Real-Time Cardiac Magnetic Resonance Imaging. BioMed Research International. 2019 Jul 30;2019:5636423. https://doi.org/10.1155/2019/5636423.
  12. Lin A, Kolossváry M, Išgum I, Maurovich-Horvat P, Slomka PJ, Dey D. Artificial intelligence: improving the efficiency of cardiovascular imaging. Expert Rev Med Devices. 2020 Jun;17(6):565-577. doi: 10.1080/17434440.2020.1777855.
  13. Schofield R, Ganeshan B, Kozor R, et al. CMR myocardial texture analysis tracks different etiologies of left ventricular hypertrophy. J Cardiovasc Magn Reson. 2016;18(Suppl 1):O82. Published 2016 Jan 27. doi:10.1186/1532-429X-18-S1-O82
  14. Larroza A, Materka A, López-Lereu MP, Monmeneu JV, Bodí V, Moratal D. Differentiation between acute and chronic myocardial infarction by means of texture analysis of late gadolinium enhancement and cine cardiac magnetic resonance imaging. Eur J Radiol. 2017 Jul;92:78-83. doi: 10.1016/j.ejrad.2017.04.024.
  15. Weng SF, Reps J, Kai J, Garibaldi JM, Qureshi N. Can machine-learning improve cardiovascular risk prediction using routine clinical data? PLoS One. 2017 Apr 4;12(4):e0174944. doi: 10.1371/journal.pone.0174944.
  16. van Assen M, Muscogiuri G, Caruso D, Lee SJ, Laghi A, De Cecco CN. Artificial intelligence in cardiac radiology. Radiol Med. 2020 Nov;125(11):1186-1199. doi: 10.1007/s11547-020-01277-w.
  17. Li L, Wu F, Yang G, et al. Atrial scar quantifcation via multi-scale CNN in the graph-cuts framework. Med Image Anal. 2020;60(3):101595. doi:10.1016/j.media.2019.101595.
  18. Baeßler B, Mannil M, Maintz D, Alkadhi H, Manka R. Texture analysis and machine learning of non-contrast T1-weighted MR images in patients with hypertrophic cardiomyopathy - preliminary results. Eur J Radiol. 2018 May;102:61-67. doi: 10.1016/j.ejrad.2018.03.013.
  19. Dawes TJW, de Marvao A, Shi W, Fletcher T, Watson GMJ, Wharton J, Rhodes CJ, Howard LSGE, Gibbs JSR, Rueckert D, Cook SA, Wilkins MR, O’Regan DP. Machine Learning of Three-dimensional Right Ventricular Motion Enables Outcome Prediction in Pulmonary Hypertension: A Cardiac MR Imaging Study. Radiology. 2017 May;283(2):381-390. doi: 10.1148/radiol.2016161315.