La risonanza magnetica è largamente utilizzata nel settore sanitario e ha trasformato la diagnostica clinica grazie al ricorso a radiazioni non invasive e non ionizzanti. I suoi molti benefici ne fanno uno strumento fondamentale nelle applicazioni cliniche come la cardiologia, dove permette di ottenere una visualizzazione in alta risoluzione della struttura e della funzione del miocardio e consente la caratterizzazione del tessuto miocardico. L’introduzione dell’intelligenza artificiale e degli algoritmi basati sul deep learning per la ricostruzione dell’immagine ha rappresentato una svolta che ha reso possibile esami più rapidi migliorando in parallelo il processo decisionale clinico.
L’intelligenza artificiale a supporto della diagnostica
L’utilizzo dell’intelligenza artificiale (AI) e delle tecnologie di deep learning è considerato essenziale per il progresso in molte applicazioni cliniche. In particolare in ambito diagnostico, dove più di 500 dispositivi basati su AI sono stati approvati dalla US Food and Drug Administration (FDA) per usi clinici[1] . Il deep learning, un sottoinsieme del machine learning, è diventato parte integrante delle soluzioni AI che sono state sviluppate per applicazioni diagnostiche. Gli algoritmi di deep learning utilizzati per la ricostruzione delle immagini RM hanno permesso miglioramenti che non sarebbero stati possibili utilizzando i metodi di ricostruzione tradizionali. In tempi più recenti, soluzioni basate sul deep learning hanno permesso di accelerare l’acquisizione delle immagini cardiache.
“GE HealthCare è estremamente orgogliosa di essere in prima linea nello sviluppo di dispositivi medici supportati da AI. Non esiste applicazione più complessa dell’imaging cardiaco, per questo abbiamo accolto la sfida di sviluppare una soluzione basata sul deep learning che permetta di acquisire immagini in un singolo battito cardiaco”, ha dichiarato la Dr.ssa Anja Brau, General Manager MR Clinical Solutions and Research Collaborations in GE HealthCare.
Secondo il National Institute of Health (NIH), la malattia coronarica è ancora la principale causa di morte negli Stati Uniti, e la terza causa di morte nel mondo, nonostante le migliori opzioni terapeutiche e interventistiche oggi disponibili.[2],[3] La capacità dei clinici di visualizzare la struttura e la funzione del cuore e del tessuto cardiaco resta quindi un fattore importante. La RM è considerata la punta di diamante dell’imaging diagnostico cardiaco[4], ma l’acquisizione può richiedere tempi molto lunghi e frequenti apnee, mettendo a dura prova alcune tipologie di pazienti.
L’imaging cardiaco è inoltre complicato dal movimento del paziente durante la normale respirazione, oltre che da quello generato dal battito cardiaco. L’applicazione di algoritmi di deep learning per velocizzare l’acquisizione delle immagini può aiutare a superare l’annoso compromesso tra tempo di scansione e qualità dell’immagine, specialmente con quei pazienti che hanno difficoltà a trattenere il respiro o restare immobili per lungo tempo.
Esami più rapidi grazie al deep learning
GE HealthCare ha dapprima lanciato AIR™ Recon DL, un algoritmo di deep learning che permette di ottenere un rapporto segnale-rumore (SNR) più elevato, sfruttando i dati grezzi acquisiti per ricostruire immagini nitide e accurate. Questa applicazione, che ha consentito di ottenere risultati convincenti, è stata finora utilizzata in più di 19 milioni di esami.*
“Tuttavia, la cardio RM standard è ancora troppo lenta per riuscire a catturare tutti i frame necessari di un singolo battito cardiaco,” ha spiegato la Dr.ssa Brau, “e così per decenni i clinici hanno acquisito dati di immagini su più battiti cardiaci, unendoli successivamente. È necessario che il paziente trattenga il respiro per evitare artefatti da movimento. E questo solo per acquisire una slice. Bisogna trattenere il respiro dodici volte per acquisire l’intero asse corto, ma poi va acquisito l’asse lungo, e così via. L'esame diventa incredibilmente impegnativo sia per i pazienti che per gli operatori”.
Per risolvere le limitazioni legate al movimento durante l’imaging cardiaco RM, GE HealthCare ha sviluppato Sonic DL™, la nuova tecnologia di ricostruzione basata sul deep learning, progettata per ottenere immagini funzionali del cuore in tempi rapidi con una risoluzione sufficiente per ottenere la misurazione del volume ematico.
Questa soluzione di ricostruzione basata sul deep learning permette un’accelerazione fino a dodici volte** dell’acquisizione di immagini RM cardiache e consente di completare l’acquisizione standard di circa dieci battiti (R to R) in solo un battito, o in tre per una risoluzione leggermente superiore.
La velocità dell’imaging cardiaco influisce sulla qualità dell’assistenza
Nella pratica clinica, esami più rapidi si traducono in una migliore esperienza per i pazienti.
“Abbiamo iniziato il nostro viaggio nel mondo della ricostruzione dell’immagine basata sul deep learning prima di avere a disposizione Sonic DL™”, ha spiegato la Dr.ssa Melany Atkins, Division Chief Body/Cardiovascular Imaging e Medical Director Advanced Cardiac Imaging alla Inova Health System e al Fairfax MRI Center di Fairfax, Virginia. “Questa nuova applicazione basata sul deep learning ci ha permesso di effettuare una rapida acquisizione in un singolo battito coprendo l’intero ventricolo in una o due apnee sulle sequenze senza mezzo di contrasto. Abbiamo anche aggiunto una sequenza a sangue grigio che ci permette di identificare i sottili strati sub-endocardici in delayed enhancements.”
Confrontando le immagini di un paziente di 14 anni con cardiopatia congenita, la Dr.ssa Atkins ha mostrato le differenze tra l’acquisizione fatta con e senza Sonic DL.
|
|
|
|
Sonic DL™ 3 R to R |
Conv SSFP Stesso paziente, 2 anni prima |
“Questo paziente non era in grado di trattenere il respiro e inoltre era claustrofobico, il che gli rendeva difficile portare a termine l’esame. Rispetto all’utilizzo di Sonic DL è facile osservare la modesta qualità dell’immagine dell’esame precedente”.
La Dr.ssa Atkins non vede l’ora di utilizzare questa nuova tecnologia per migliorare l’esperienza con la RM cardiaca per molti più pazienti.
“Siamo fortunati perchè nel nostro centro diagnostico i pazienti sono solitamente in grado di trattenere per un pò di tempo il respiro. Ecco perchè continuiamo a utilizzare Sonic DL™ in tre battiti, proprio per avere un miglior SNR e una risoluzione temporale più veloce. Probabilmente il 25%, o anche meno, dei nostri pazienti hanno davvero bisogno di un esame che non richieda apnee, ma è probabile che la percentuale tenderà ad aumentare con il tempo. E ora che è disponibile, tutti chiederanno un esame di questo tipo”, ha dichiarato la Dr.ssa Atkins.
Il futuro della RM grazie al progresso dell'AI
I progressi nella tecnologia RM e le innovazioni basate sull’AI nella ricostruzione delle immagini, come AIR™ Recon DL e Sonic DL™ di GE HealthCare, hanno prodotto risultati convincenti. Queste soluzioni vengono utilizzate diffusamente in diverse applicazioni cliniche come la cardiologia, e possono fornire ai medici nuove informazioni sulle malattie e sui trattamenti, migliorando al contempo l’esperienza dei pazienti.
Contenuti correlati
- Rivedi l’intervento delle Dott.sse Brau e Atkins al Congresso RSNA 2023: Setting the pace for innovation in MR with deep learning
- Guarda il video: Breaking barriers in MR with deep learning
Per saperne di più su Sonic DL™.
Note
Non tutti i prodotti o funzionalità sono disponibili in tutti i Paesi. Consulta il rappresentante GE HealthCare di zona per maggiori informazioni.
*Calcolati su dati IB con una stima di 20 scansioni al giorno e una media di 5.5 giorni lavorativi a settimana, utilizzando AIR™ Recon DL dopo 4 settimane dalla consegna, dati aggiornati a gennaio 2024.
** Dati di archivio 2023, Sonic DL™ rispetto all’acquisizione Cine.
[1] https://healthexec.com/topics/artificial-intelligence/fda-has-now-cleared-more-500-healthcare-ai-algorithms
[2] Saeed M, Van TA, Krug R, Hetts SW, Wilson MW. Cardiac MR imaging: current status and future direction. Cardiovasc Diagn Ther. 2015 Aug;5(4):290-310. doi: 10.3978/j.issn.2223-3652.2015.06.07. PMID: 26331113; PMCID: PMC4536478.
[3] Brown JC, Gerhardt TE, Kwon E. Risk Factors for Coronary Artery Disease. [Updated 2023 Jan 23]. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2023 Jan-. Available from: https://www.ncbi.nlm.nih.gov/books/NBK554410/
[4] Piersson, A.D. Essentials of cardiac MRI in clinical practice. J Cardiovasc Magn Reson 18 (Suppl 1), T10 (2016). https://doi.org/10.1186/1532-429X-18-S1-T10
