Neuroradiologia şi inteligenţa artificială – review general

Neuroradiologia s-a dezvoltat foarte mult în ultimii ani, iar tomografia computerizată (CT) şi imagistica prin rezonanţă magnetică (IRM) au îmbunătăţit diagnosticul afecţiunilor sistemului nervos central, selectarea strategiilor de tratament şi monitorizarea răspunsurilor la acesta.

CT-ul utilizează un tub cu raze X care traversează cor­pul uman, iar imaginea rezultată în plan transversal este o reconstrucţie matematică pe baza atenuării razelor X a ţesuturilor, care se măsoară în unităţi Hounsfield. Componentele tisulare cu o densitate ridicată, cum ar fi oasele şi calcificările, vor produce o imagine strălucitoare, iar ţesuturile cu densitate scăzută, cum ar fi aerul şi grăsimea, vor genera o imagine întunecată. Substanţa de contrast folosită este pe bază de iod, iar aceasta ajută la o vizualizare mai bună a ţesuturilor şi formaţiunilor tumorale, respectiv la evidenţierea vaselor sanguine. Este o investigaţie folosită în special în sistemul de urgenţă datorită duratei scăzute de achiziţie a imaginilor^(1,2).

IRM-ul utilizează un câmp magnetic puternic, de obicei 1.5 sau 3 Tesla, unde radio şi un computer pentru a produce imagini. Imaginile obţinute sunt superioare în caracterizarea ţesuturilor comparativ cu examinarea CT. Câmpul magnetic acţionează asupra atomilor de hidrogen, pe care îi aliniază, iar sub influenţa undelor radio aceştia se vor reorienta şi vor genera energie care va fi captată şi transformată în semnal. Proprietăţile semnalului emis depind de conţinutul de apă al regiunii de interes. Această tehnică are avantajul de a evita razele X şi poate fi repetată ori de câte ori este nevoie, fără a avea efecte secundare. Imaginile de bază achiziţionate în timpul scanării sunt T1 şi T2. Secvenţa FLAIR anulează semnalul lichidelor în stare pură şi facilitează detectarea leziunilor adiacente spaţiilor ce conţin LCR; STIR sau FatSat anulează semnalul de grăsime, DWI este folosită pentru a vizualiza mişcarea liberă a apei din spaţiul interstiţial în cel extracelular, DTI permite vizualizarea tracturilor de substanţă albă, iar MRS (spectroscopie) oferă informaţii chimice despre o leziune^(3-6).

Volumetria cerebrală bazată pe imagistica prin re­zo­nan­ţă magnetică s-a dovedit a fi un biomarker valid al stării clinice şi al progresiei unor afecţiuni neurologice, fiind din ce în ce mai utilizată în mediul clinic. Afecţiunile neurologice în care volumetria cerebrală este cea mai folosită sunt următoarele: boala Alzheimer, demenţa fronto-temporală, scleroza multiplă, epilepsia focală şi parkinsonismul. Inteligenţa artificială prin intermediul unui algoritm poate segmenta parenchimul cerebral în volum de: lichid cefalorahidian, substanţă albă şi substanţă cenuşie. Parametrii rezultaţi pot fi comparaţi la examinările ulterioare pentru a evalua gradul atrofiei, evoluţia sau stagnarea leziunilor degenerative sau demielinizante^(7-9).

Skolnik et al. au afirmat că sistemele de inteligenţă artificială folosite în neuroradiologie au un potenţial mare pentru monitorizarea tratamentelor standard, cât şi a tratamentelor noi apărute, cum ar fi imunoterapia, respectiv de a evalua un răspuns mai rapid al tratamentului şi, astfel, ajustarea acestuia în dinamică⁽¹⁰⁾.

Softurile de inteligenţă artificială au rolul de a deli­mita zonele anormale de cele de parenchim cerebral nor­mal. Identificarea şi delimitarea acestor zone sunt importante pentru monitorizarea dimensiunii sau activităţii unor leziuni şi consumatoare de timp dacă sunt realizate manual. Zaharchuk et al. au realizat un al­go­ritm ce segmentează formaţiunile cerebrale, detectea­ză microhemoragiile, identifică zonele de infarct şi aproximează volumul cerebral afectat în cazul unui accident vascular cerebral^(11,12).

Algoritmii sistemelor de inteligenţă artificială pot fi utilizaţi pentru reducerea timpului de achiziţie, pentru reconstrucţia automată şi pentru îmbunătăţirea calităţii imaginilor. De asemenea, aceşti algoritmi pot crea imagini simulate ca un aparat de 7 Tesla folosind date din 3 Tesla şi pot prioritiza cazurile în funcţie de modificările găsite pe imagini pentru ca acestea să fie interpretate în ordinea urgenţelor de către medici, cu efecte favorabile asupra rezultatelor pacienţilor^(13-15). Ilkay Oksuz, în studiul pe care l-a realizat, a arătat faptul că folosind reţele neuronale artificiale se pot detecta şi corecta artefactele de mişcare de la nivelul parenchimului cerebral⁽¹⁶⁾.

Narayana et al. au utilizat conceptul de învăţare profundă structurată pentru a prezice leziunile active din scleroza multiplă, pe o examinare IRM fără administrare de substanţă de contrast, utilizând secvenţele T1 şi FLAIR cu o precizie de 70%, faţă de examinările cu substanţă de contrast, dar folosirea mai multor secvenţe poate creşte acest procentaj⁽¹⁷⁾. Pinto et al. au prezentat un algoritm de inteligenţă artificială pentru scleroza multiplă care poate prezice evoluţia ei în forma secundară progresivă în următorii doi ani cu o sensibilitate de 76% şi specificitate de 77% şi poate aprecia severitatea bolii cu apariţia stării de invaliditate în decurs de doi ani, cu o sensibilitate de 84% şi specificitate de 81%⁽¹⁸⁾.

McCoy et al. au prezentat un algoritm de segmentare a parenchimului cerebral şi a măduvei spinării pentru a detecta leziunile în context traumatic, iar volumul leziunilor găsite la nivelul măduvei spinării s-a corelat cu deficitele motorii ale pacienţilor în faza acută şi a oferit date relevante din punct de vedere clinic⁽¹⁹⁾.

Pe secvenţele T1, T1 cu substanţă de contrast şi FLAIR, Grøvik et al. au realizat un algoritm care vizualizează, cuantifică, segmentează metastazele cerebrale şi le compară cu examinări anterioare pentru a vedea remisiunea sau progresia bolii. Datele rezultate pot fi folosite în planificarea radioterapiei⁽²⁰⁾.

Studii recente au arătat faptul că utilizarea metodelor de învăţare automată poate prezice prognosticul general al pacienţilor cu accident vascular cerebral. Tang et al. au dezvoltat şi validat un model de învăţare automată ce identifică pacienţii care pot beneficia de tratament endovascular şi cuantifică rezultatele clinice şi funcţionale ale acestora pe termen scurt şi lung, iar Chauhan et al. au validat o reţea neuronală convoluţională care evaluează severitatea deficitelor de limbaj în urma unui accident vascular cerebral^(21,22).  

Conflict of interests: The authors declare no con­flict of interests.