Imaging molecolare con deep-learning

Article

I progressi dell’imaging molecolare grazie alla tecnologia deep-learning

L’utilizzo sempre più diffuso di tecnologie intelligenti sta rivoluzionando il mondo. Al di là degli effetti sul modo di vivere di noi consumatori, le tecnologie avanzate basate su intelligenza artificiale, machine learning, analisi dei big data e Internet of things hanno spianato la strada allo sviluppo di applicazioni sofisticate progettate per ambienti specifici come produzione, logistica, pianificazione e operazioni aziendali. In quella che viene ormai definita la Quarta Rivoluzione Industriale (4IR), queste tecnologie vengono utilizzate per migliorare i processi di produzione, fornire analisi dei dati più sofisticate, automatizzare le attività manuali e migliorare il controllo di qualità, contribuendo all’innovazione e alla creazione di valore in molti settori. [1]

Anche nel settore sanitario l'uso di applicazioni di intelligenza artificiale (AI) è in rapida espansione, con l’obiettivo di migliorare l'assistenza, la qualità del servizio e l'efficienza dei processi e della gestione delle risorse. L'adozione di alcune di queste tecnologie in radiologia ha permesso di ottimizzare i flussi di lavoro, si pensi al posizionamento del paziente o alla gestione dei protocolli, ma anche al monitoraggio della dose e alla refertazione.

Gli strumenti di intelligenza artificiale stanno aiutando i radiologi a elaborare grandi volumi di dati di imaging con algoritmi avanzati di ricostruzione delle immagini e stanno contribuendo a migliorare la coerenza e l'accuratezza della diagnostica per immagini. A differenza dei tradizionali algoritmi AI basati su regole, il machine learning consente alle macchine di apprendere da sole a partire da grandi quantità di dati per poi identificare autonomamente dei pattern. Molti algoritmi di apprendimento automatico utilizzano statistiche, formule e big data per funzionare.[2]

Il ruolo crescente delle applicazioni di deep learning nella diagnostica per immagini

Il deep learning è considerato una parte integrante della quarta rivoluzione industriale. [3] Si tratta di un tipo di machine learning che utilizza reti neurali complesse per replicare l'intelligenza umana. Un importante passo avanti nel campo del deep learning è stata l'introduzione della rete neurale convoluzionale (CNN), considerata oggi lo stato dell'arte nell'analisi delle immagini. [4] La ricostruzione di immagini con deep learning è già utilizzata in modalità di imaging come la risonanza magnetica (MRI) e la tomografia computerizzata (TC), ma ha un potenziale anche nella PET/TC.

In risonanza magnetica, l'algoritmo di ricostruzione delle immagini MRI con deep-learning di GE HealthCare consente di ottenere immagini di qualità eccezionale senza compromettere il tempo di scansione. Nelle applicazioni TC, il motore di ricostruzione delle immagini con deep learning CT di GE HealthCare è stato addestrato utilizzando una libreria di migliaia di immagini con retroproiezione filtrate a basso rumore, considerate lo standard di riferimento della qualità dell'immagine. L'utilizzo del deep learning ha dato finora risultati convincenti ed è allo studio la sua applicazione in PET/TC per migliorare le capacità di elaborazione delle immagini dei sistemi di imaging molecolare.

Migliorare le funzionalità del rilevatore PET per una maggiore precisione

Nel tempo, i progressi a livello di hardware e software PET/TC hanno portato a una migliore qualità delle immagini e a un’ottimizzazione del flusso di lavoro clinico. I rilevatori digitali hanno sostituito le tecniche analogiche di conteggio dei fotoni migliorando specificità e quantificazione, il che ha reso possibile tempi di scansione più brevi, ha favorito la rilevabilità delle piccole lesioni e ha comportato una riduzione della dose di radiazioni per la parte PET dell'esame, consentendo di ottenere una migliore qualità dell'immagine.[5]

Come per tutte le modalità di imaging, la tecnologia PET/TC si sta muovendo rapidamente nella direzione di una migliore accuratezza diagnostica. Uno dei passi più significativi è stato lo sviluppo e la diffusione della tecnologia Time-of-Flight (TOF).

I rilevatori PET catturano e misurano i due fotoni da annichilazione, o conteggi, prodotti uno dopo l'altro dopo l'emissione di positroni dalla molecola tracciante, che viene scelta per evidenziare una funzione specifica nel corpo a livello biochimico. I fotoni rilasciati vengono rilevati mediante imaging di coincidenza mentre colpiscono i cristalli di scintillazione.[6]

Il vantaggio ulteriore dell'imaging TOF PET/TC è che è in grado di sfruttare la risoluzione temporale e di dedurre quando e dove si è verificato ogni evento di annichilazione sulla linea di risposta tra i due rivelatori, migliorando l'accuratezza della posizione della lesione attraverso una migliore localizzazione del segnale e una migliore gestione del rumore.[7]

L’evoluzione della PET/TC grazie al deep learning

La PET/TC con funzionalità TOF, dalla sua introduzione, ha sicuramente migliorato la diagnostica clinica, ma le innovazioni nella tecnologia di imaging PET/TC non si fermano qua. Leader del settore come GE HealthCare hanno introdotto una piattaforma rivoluzionaria di imaging PET/TC che combina i più elevati livelli di sensibilità PET* con la qualità dell'immagine TOF attraverso l'elaborazione delle immagini con deep learning.

La nuova piattaforma PET/TC è stata costruita per superare gli standard di sensibilità del settore, creando il potenziale per l'imaging di traccianti ad alto tasso di conteggio oltre il 18F-fluorodesossiglucosio (FDG) man mano che vengono sviluppati e utilizzati nell'imaging clinico PET/TC. I vantaggi in termini di qualità dell'immagine TOF nel nuovo sistema sono resi possibili da un'innovativa soluzione di deep learning progettata per aumentare la rilevabilità di piccole lesioni a basso contrasto rispetto ai sistemi Time-of-Flight.**

Unica nell'imaging molecolare, l'elaborazione deep learning delle immagini del sistema viene ottenuta utilizzando una CNN addestrata su migliaia di immagini PET/TC costruite tramite vari metodi di ricostruzione, tra cui TOF. Dal momento che la CNN apprende da ogni immagine, le immagini risultanti presenteranno caratteristiche e vantaggi normalmente associati ai sistemi TOF basati su hardware, come un migliore rapporto contrasto/rumore e recupero del contrasto w, questo senza bisogno di investire in altro hardware o nuove attrezzature.

L’innovazione in PET/TC per una medicina di precisione

La continua innovazione nella tecnologia di imaging molecolare sta aprendo la strada a un futuro in cui sarà possibile selezionare il trattamento più efficace per ogni singolo paziente. Dai tumori alle malattie croniche, i medici stanno utilizzando l'imaging molecolare per supportare diagnosi di precisione e sviluppare terapie mirate per i singoli pazienti che possono contribuire a ridurre gli effetti collaterali e ottenere risultati migliori.

Le innovazioni come l'elaborazione delle immagini basata sul deep learning, hanno il potenziale per consentire un accesso più ampio a tecnologie di imaging avanzate e a nuove tecniche di intelligenza artificiale in grado di apprendere e replicare i vantaggi in termini di qualità dell'immagine tipicamente generati da hardware specifico.

Il potere diagnostico dell'imaging PET/TC continuerà a svolgere un ruolo chiave nell’aprire la strada alla medicina di precisione e trarrà vantaggio dall'evoluzione dei componenti hardware e software del sistema per migliorare continuamente la qualità dell'immagine e ampliare l'accesso a questa potente tecnologia.

Scopri come l’ultima PET/TC di GE HealthCare, Omni Legend, può aiutarti a migliorare i risultati per i tuoi pazienti.

DISCLAIMERS

Non tutti i prodotti o funzionalità sono disponibili in tutti i paesi. Verificare con il rappresentante GE HealthCare locale la disponibilità nel proprio paese.

Omni Legend e Precision DL recano il marchio CE. Omni Legend ha l'approvazione 510k dalla FDA degli Stati Uniti. Precision DL è in attesa di 510k presso la FDA degli Stati Uniti. Non disponibile per la vendita negli Stati Uniti. Le immagini cliniche mostrate sono state elaborate con Precision DL e ottenute da un dispositivo sperimentale, limitato dalla legge statunitense all'uso sperimentale.

*Omni Legend 32 ha la massima sensibilità per cm tra i sistemi PET-TC convenzionali (non total body).

**Al momento della scansione corrispondente e alla dose iniettata. Rilevabilità utilizzando dati clinici con una lesione epatica di 8 mm di diametro inserita di posizione nota e contrasto 2:1 utilizzando un osservatore del modello CHO, confrontando SNR da Omni Legend 32 cm con QCHD e Precision DL a SNR da Discovery™ MI 25 cm con QCFX.

w Recupero del contrasto e contrasto-rumore dimostrati utilizzando dati clinici con lesioni inserite di dimensione, posizione e contrasto noti. Utilizzando i dati di Omni Legend 32 cm, CR e CNR sono stati misurati utilizzando H-PDL e QCHD

BIBLIOGRAFIA

[1] Lee D, Yoon SN. Application of Artificial Intelligence-Based Technologies in the Healthcare Industry: Opportunities and Challenges. Int J Environ Res Public Health. 2021;18(1):271. Published 2021 Jan 1. doi:10.3390/ijerph18010271

[3] Hricak H. 2016 New Horizons Lecture: beyond imaging—radiology of tomorrow. Radiology 2018;286(3):764–775. Link, Google Scholar

[5] Added Value of Digital over Analog PET/CT: More Significant as Image Field of View and Body Mass Index Increase

[6] Jha AK, Mithun S, Puranik AD, Purandare NC, Shah S, Agrawal A, Rangarajan V. Performance characteristic evaluation of a bismuth germanate-based high-sensitivity 5-ring discovery image quality positron emission tomography/computed tomography system as per National Electrical Manufacturers Association NU 2-2012. World J Nucl Med. 2019 Dec 18;18(4):351-360.

[7] Karp JS, Surti S, Daube-Witherspoon ME, Muehllehner G. Benefit of time-of-flight in PET: experimental and clinical results. J Nucl Med. 2008 Mar;49(3):462-70. doi: 10.2967/jnumed.107.044834. Epub 2008 Feb 20. PMID: 18287269; PMCID: PMC2639717.