A capacidade de um radiologista de fazer diagnósticos precisos a partir de estudos de diagnóstico por imagem de alta qualidade impacta diretamente o resultado do paciente. Contudo, adquirir dados suficientes para gerar imagens de melhor qualidade tem um custo - dose de radiação aumentada para tomografia computadorizada (TC) e tomografia por emissão de pósitrons (PET) ou tempos de varredura desconfortavelmente longos para imagens de ressonância magnética (MRI). Agora, os pesquisadores do Centro Athinoula A. Martinos para Imagens Biomédicas do Hospital Geral de Massachusetts (MGH) abordaram esse desafio com uma nova técnica baseada em inteligência artificial e aprendizado de máquina, permitindo que os médicos adquiram imagens de alta qualidade sem a necessidade de coletar dados adicionais. Eles descrevem a técnica - apelidada de AUTOMAP (transformação automatizada por aproximação múltipla) - em um artigo publicado hoje na revista Natureza .

"Uma parte essencial do pipeline de imagens clínicas é a reconstrução de imagens, que transforma os dados brutos que saem do scanner em imagens para os radiologistas avaliarem, "diz Bo Zhu, PhD, bolseiro de investigação no MGH Martinos Center e primeiro autor do Natureza papel. "A abordagem convencional para reconstrução de imagem usa uma cadeia de módulos de processamento de sinal feitos à mão que requerem ajuste de parâmetro manual especializado e muitas vezes são incapazes de lidar com imperfeições dos dados brutos, como ruído. Apresentamos um novo paradigma no qual o algoritmo de reconstrução de imagem correto é determinado automaticamente por inteligência artificial de aprendizado profundo.

"Com AUTOMAP, ensinamos sistemas de imagem a 'ver' a maneira como os humanos aprendem a ver após o nascimento, não através da programação direta do cérebro, mas promovendo conexões neurais para se adaptarem organicamente por meio de treinamento repetido em exemplos do mundo real, "Zhu explica." Esta abordagem permite que nossos sistemas de imagem encontrem automaticamente as melhores estratégias computacionais para produzir dados claros, imagens precisas em uma ampla variedade de cenários de imagem. "

A técnica representa um salto importante para a imagem biomédica. Ao desenvolvê-lo, os pesquisadores aproveitaram os muitos avanços feitos nos últimos anos, tanto nos modelos de rede neural usados ​​para inteligência artificial quanto nas unidades de processamento gráfico (GPUs) que conduzem as operações, uma vez que a reconstrução da imagem - particularmente no contexto do AUTOMAP - requer uma grande quantidade de computação, especialmente durante o treinamento dos algoritmos. Outro fator importante foi a disponibilidade de grandes conjuntos de dados ("big data"), que são necessários para treinar grandes modelos de rede neural, como AUTOMAP. Porque capitaliza esses e outros avanços, Zhu diz, a técnica não teria sido possível há cinco anos ou talvez até um ano atrás.

O AUTOMAP oferece uma série de benefícios potenciais para cuidados clínicos, além de produzir imagens de alta qualidade em menos tempo com ressonância magnética ou com doses menores com raios-X, CT e PET. Por causa de sua velocidade de processamento, a técnica pode ajudar na tomada de decisões em tempo real sobre os protocolos de imagem enquanto o paciente está no scanner.

"Como o AUTOMAP é implementado como uma rede neural feedforward, a velocidade de reconstrução da imagem é quase instantânea - apenas dezenas de milissegundos, "diz o autor sênior Matt Rosen, PhD, diretor do Laboratório de MRIs de baixo campo e mídia hiperpolarizada e codiretor do Centro de Aprendizado de Máquina do MGH Martinos Center. "Alguns tipos de varreduras atualmente requerem processamento computacional demorado para reconstruir as imagens. Nesses casos, feedback imediato não está disponível durante a imagem inicial, e pode ser necessário repetir o estudo para identificar melhor uma suspeita de anormalidade. O AUTOMAP forneceria reconstrução instantânea de imagens para informar o processo de tomada de decisão durante a digitalização e poderia evitar a necessidade de visitas adicionais. "

Notavelmente, a técnica também pode ajudar no desenvolvimento de outras aplicações de inteligência artificial e aprendizado de máquina. Muito do atual entusiasmo em torno do aprendizado de máquina em imagens clínicas concentra-se em diagnósticos auxiliados por computador. Como esses sistemas contam com imagens de alta qualidade para avaliações diagnósticas precisas, O AUTOMAP pode desempenhar um papel no avanço deles para uso clínico futuro.

"Nossa abordagem de IA está mostrando melhorias notáveis ​​na precisão e redução de ruído e, portanto, pode avançar em uma ampla gama de aplicações, "Rosen diz." Estamos incrivelmente entusiasmados com a oportunidade de implementar isso no espaço clínico onde o AUTOMAP pode trabalhar junto com computadores acelerados por GPU de baixo custo para melhorar a imagem clínica e os resultados. "