La inteligencia artificial podría ayudar a reducir las dosis de gadolinio en la resonancia magnética
Por el equipo editorial de MedImaging en español Actualizado el 24 Dec 2018 |
Imagen: Ejemplo de dosis completa, dosis baja del 10 por ciento y dosis baja mejorada con algoritmo (Fotografía cortesía de la RSNA).
Investigadores de la Universidad de Stanford (Stanford, CA, EUA) utilizan la inteligencia artificial (IA) para reducir la dosis de un agente de contraste que puede quedar en el cuerpo después de los exámenes de resonancia magnética.
El gadolinio es un metal pesado utilizado como material de contraste para mejorar las imágenes de resonancia magnética. Los estudios recientes han encontrado que quedan cantidades trazas de metal en los cuerpos de las personas a quienes les practican exámenes con ciertos tipos de gadolinio. Aún no se conocen los efectos de estos depósitos, aunque los radiólogos trabajan para optimizar la seguridad del paciente y al mismo tiempo preservar la información importante proporcionada por los escáneres de resonancia magnética con gadolinio. Los investigadores de Stanford lo hacen estudiando el aprendizaje profundo, una técnica sofisticada de inteligencia artificial que enseña a las computadoras usando ejemplos. Al usar modelos llamados redes neuronales convolucionales, las computadoras pueden reconocer imágenes y encontrar distinciones sutiles entre los datos de las imágenes que un observador humano podría ser incapaz de discernir.
Para entrenar el algoritmo de aprendizaje profundo, los investigadores utilizaron imágenes de resonancia magnética de 200 pacientes a quienes les habían practicado estos exámenes con contraste para varias indicaciones. Recogieron tres conjuntos de imágenes para cada paciente: exámenes antes del contraste, realizadas antes de la administración de contraste y denominadas exámenes de dosis cero; exámenes de dosis bajas, adquiridas después de la administración del 10% de la dosis de gadolinio estándar; y exámenes de dosis completas, obtenidas después de la administración del 100% de la dosis. El algoritmo aprendió a aproximar las exploraciones de dosis completa de las imágenes de dosis cero y dosis bajas. Luego, los neurorradiólogos evaluaron las imágenes para mejorar el contraste y la calidad general.
Los resultados mostraron que la calidad de la imagen no era significativamente diferente entre las imágenes de dosis bajas, las imágenes de la resonancia magnética mejoradas con el algoritmo y las imágenes de RM mejoradas con contraste de dosis completa. Los resultados iniciales también demostraron el potencial para crear imágenes de resonancia magnética equivalentes a las obtenidas con la dosis completa, con contraste realzado, sin uso de agente de contraste. Estos hallazgos sugieren el potencial del método para reducir drásticamente la dosis de gadolinio sin sacrificar la calidad del diagnóstico. La investigación futura en el entorno clínico se centrará en la evaluación del algoritmo en una gama más amplia de escáneres de resonancia magnética y con diferentes tipos de agentes de contraste.
“Las imágenes de gadolinio en dosis bajas producen una importante información clínicamente útil sin explotar, a la que se puede acceder mediante el aprendizaje profundo y la IA”, dijo el autor principal del estudio, Enhao Gong, Ph.D., investigador de la Universidad de Stanford. “No tratamos de reemplazar la tecnología de imagenología existente. Tratamos de mejorarla y generar más valor a partir de la información existente, al mismo tiempo que cuidamos la seguridad de nuestros pacientes”.
Enlace relacionado:
Universidad de Stanford
El gadolinio es un metal pesado utilizado como material de contraste para mejorar las imágenes de resonancia magnética. Los estudios recientes han encontrado que quedan cantidades trazas de metal en los cuerpos de las personas a quienes les practican exámenes con ciertos tipos de gadolinio. Aún no se conocen los efectos de estos depósitos, aunque los radiólogos trabajan para optimizar la seguridad del paciente y al mismo tiempo preservar la información importante proporcionada por los escáneres de resonancia magnética con gadolinio. Los investigadores de Stanford lo hacen estudiando el aprendizaje profundo, una técnica sofisticada de inteligencia artificial que enseña a las computadoras usando ejemplos. Al usar modelos llamados redes neuronales convolucionales, las computadoras pueden reconocer imágenes y encontrar distinciones sutiles entre los datos de las imágenes que un observador humano podría ser incapaz de discernir.
Para entrenar el algoritmo de aprendizaje profundo, los investigadores utilizaron imágenes de resonancia magnética de 200 pacientes a quienes les habían practicado estos exámenes con contraste para varias indicaciones. Recogieron tres conjuntos de imágenes para cada paciente: exámenes antes del contraste, realizadas antes de la administración de contraste y denominadas exámenes de dosis cero; exámenes de dosis bajas, adquiridas después de la administración del 10% de la dosis de gadolinio estándar; y exámenes de dosis completas, obtenidas después de la administración del 100% de la dosis. El algoritmo aprendió a aproximar las exploraciones de dosis completa de las imágenes de dosis cero y dosis bajas. Luego, los neurorradiólogos evaluaron las imágenes para mejorar el contraste y la calidad general.
Los resultados mostraron que la calidad de la imagen no era significativamente diferente entre las imágenes de dosis bajas, las imágenes de la resonancia magnética mejoradas con el algoritmo y las imágenes de RM mejoradas con contraste de dosis completa. Los resultados iniciales también demostraron el potencial para crear imágenes de resonancia magnética equivalentes a las obtenidas con la dosis completa, con contraste realzado, sin uso de agente de contraste. Estos hallazgos sugieren el potencial del método para reducir drásticamente la dosis de gadolinio sin sacrificar la calidad del diagnóstico. La investigación futura en el entorno clínico se centrará en la evaluación del algoritmo en una gama más amplia de escáneres de resonancia magnética y con diferentes tipos de agentes de contraste.
“Las imágenes de gadolinio en dosis bajas producen una importante información clínicamente útil sin explotar, a la que se puede acceder mediante el aprendizaje profundo y la IA”, dijo el autor principal del estudio, Enhao Gong, Ph.D., investigador de la Universidad de Stanford. “No tratamos de reemplazar la tecnología de imagenología existente. Tratamos de mejorarla y generar más valor a partir de la información existente, al mismo tiempo que cuidamos la seguridad de nuestros pacientes”.
Enlace relacionado:
Universidad de Stanford
Últimas Industria noticias
- Samsung y Bracco firman nuevo acuerdo de tecnología de ultrasonido de diagnóstico
- IBA adquiere Radcal para ampliar oferta de garantía de calidad de imágenes médicas
- Sociedades internacionales sugieren consideraciones clave para herramientas IA para radiología
- Dispositivos de rayos X de Samsung funcionarán con soluciones de IA de Lunit para exámenes avanzados de tórax
- Canon Medical y Olympus colaboran en sistemas de ultrasonido endoscópico
- GE HealthCare adquiere empresa de análisis de imágenes por IA MIM Software
- Primeros criterios internacionales establecen las bases para mejorar diagnóstico por imágenes de tumores cerebrales
- RSNA revela los 10 estudios de radiología más citados de 2023
- Exposiciones técnicas RSNA 2023 ofrecerá innovaciones en IA, impresión 3D y más
- Según un estudio, productos de imágenes médicas por IA se quintuplicarán para 2035
- Exposiciones técnicas de RSNA 2023 destacan las últimas innovaciones en imágenes médicas
- Tecnologías impulsadas por IA ayudan a interpretar rediografías e imágenes de resonancias magnéticas para mejorar diagnóstico de enfermedades
- Hologic y Bayer se asocian para mejorar imágenes de mamografía
- Mercado mundial de arcos en C fijos y móviles impulsado por aumento de procedimientos quirúrgicos
- Mercado mundial de ultrasonido mejorado por contraste impulsado por demanda de detección temprana de enfermedades crónicas
- Uso de imágenes avanzadas aumenta en departamentos de emergencia