Inteligencia artificial: el posible papel en la protección radiológica
El advenimiento de la Inteligencia Artificial (IA) está cambiando radicalmente la práctica de la medicina en lo que respecta a la radiología. Aunque no ha habido una implementación total de la Inteligencia Artificial (IA), las pocas secciones implementadas en radiología han tenido y siguen teniendo un impacto positivo en esta rama de la medicina.
El objetivo de cada examen que involucra radiaciones es lograr exactitud y precisión en el diagnóstico y la prescripción de planes de tratamiento con menos dosis de radiación para los pacientes. Por lo tanto, optimización de las dosis que reciben los pacientes.
En imágenes médicas, la tomografía computarizada (TC) y la fluoroscopia son las dos áreas principales donde se producen altas dosis de radiación y, como tales, se deben implementar medidas para garantizar la seguridad y una de esas medidas es la implementación de métodos de inteligencia artificial (IA) [1].
En los exámenes de TC, se pueden aplicar técnicas de Inteligencia Artificial (IA) en estas etapas para reducir las dosis de radiación y sus efectos.
1.1. En el posicionamiento del paciente
El sistema de tomografía computarizada está diseñado de tal manera que el detector del tubo de rayos X que son pares gira alrededor de un centro fijo. Este es el isocentro donde todos los pacientes deben estar centrados. Una vez que un paciente no está centrado en el isocentro, las dosis de radiación se exponen a otras partes del cuerpo. El posicionamiento de los pacientes es realizado manualmente por los radiólogos y existe una alta probabilidad de desajuste con el isocentro [2]. En un estudio realizado por Booij et al., un fabricante incorporó una cámara infrarroja tridimensional y con el uso de algoritmos de IA, se detectaron puntos de referencia específicos en el cuerpo del paciente a escanear y se capturaron todas las áreas anatómicas para no pasar por alto ninguna patología en la región de interés. También hay un movimiento automático de la camilla verticalmente por el sistema, de modo que la mayoría de las regiones anatómicas de interés se encuentran en el isocentro. Esto ayuda a prevenir el centrado incorrecto de los pacientes, reduciendo así las dosis de radiación que reciben los pacientes [3].
1.2. En el posicionamiento de escaneo
Una vez que el paciente está centrado en el isocentro y se toma una imagen de exploración (topograma), el radiólogo coloca manualmente la línea de exploración desde un punto de inicio hasta el punto final. Principalmente por temor a cortar una región anatómica de interés y pasar por alto una posible patología, los campos de escaneo normalmente se abren más allá del rango, lo que aumenta la exposición a la radiación del paciente. Haciendo referencia a las indicaciones clínicas, los algoritmos de IA han sido entrenados para elegir automáticamente el rango de exploración que cubre todas las regiones anatómicas de interés y evita la sobreexposición. Se ha demostrado que esto hace que el proceso de escaneo sea más seguro, rápido y fácil. Esto se demuestra en la Figura 1 a continuación, donde el algoritmo de IA puede seleccionar el rango de exploración para cubrir la anatomía pulmonar (cuadro gris) en las proyecciones anterior-posterior (izquierda) y lateral (derecha) del tórax o el algoritmo puede seleccionar el rango de exploración para cubrir la región cardíaca (caja oscura) según las indicaciones clínicas y el historial del paciente.
1.3. En la reconstrucción de imágenes
La reconstrucción de imágenes implica la selección manual de parámetros por parte de los radiólogos para refinar las imágenes adquiridas. Un desafío mayor ocurre en la configuración de dosis baja donde el paciente es grueso y tiene un hábito corporal grande. Las imágenes están deterioradas
Figura 1. Muestra una imagen de explorador (topograma) lista para planificar con el uso de IA para cubrir el rango de escaneo.
con una baja calidad ya que la relación de ruido es alta. Con la ayuda de la IA, los algoritmos basados en el aprendizaje profundo (DL) pueden producir imágenes de alta calidad diagnóstica con una alta velocidad de reconstrucción y una dosis de radiación reducida. Por lo tanto, un algoritmo basado en IA puede eliminar todo el ruido producido en la imagen en un proceso conocido como eliminación de ruido. Un algoritmo de aprendizaje profundo basado en una red neuronal convolucional (CNN) ayuda a eliminar el ruido, mejorando la calidad de la imagen y reduciendo la dosis de radiación [4]. Esto se demuestra en la Figura 2 a continuación.
En la Figura 3, hay un ruido reducido y una mayor nitidez en B en comparación con A. Esto es posible gracias al uso de la reconstrucción basada en el aprendizaje profundo de IA para restar el ruido en las imágenes durante la reconstrucción para producir imágenes nítidas.
La fluoroscopia es una parte integral de la radiología y la medicina en general.
Figura 2. Muestra la resta de ruido de las dos imágenes (arriba y abajo) con un algoritmo de aprendizaje profundo basado en una red neuronal convolucional (CNN) para minimizar el ruido en las imágenes durante la reconstrucción.
Figura 3. Es una imagen del plano axial de TC de la fase venosa portal que representa el uso de IA para reducir el ruido y la nitidez de la imagen.
Se utiliza principalmente en exámenes quirúrgicos avanzados como traumatología y ortopedia, cardio, procedimientos de endoscopia gastrointestinal, entre otros. La fluoroscopia facilita el diagnóstico y la prescripción de patologías ya que proporciona una imagen en tiempo real (video) de los órganos internos del cuerpo [5].
Durante la fluoroscopia, existe la detección continua y, como tal, las dosis de radiación son altas. Esto requiere una gran demanda de medidas de seguridad para operar durante dichos exámenes con la fluoroscopia [6].
Un estudio realizado por Bang et al., sobre el uso de IA para reducir las dosis de radiación en fluoroscopia, se descubrió que Fluoroshield, un tipo de sistema de fluoroscopia, tiene tecnología de IA incorporada con fines de protección contra la radiación. A diferencia de la tecnología convencional, este Fluoroshield utiliza una colimación ultrarrápida para reducir la exposición a la radiación durante los exámenes. Durante los exámenes fluoroscópicos, generalmente una pequeña región anatómica es de interés para los endoscopistas o cirujanos. Sin embargo, el campo de visión más grande alrededor es necesario para fines de orientación y referencia [7]. Por lo general, los órganos del área circundante reciben grandes dosis de radiaciones aparte de la región de interés.
Con la ayuda de la tecnología de IA, las exposiciones se minimizan en el Fluoroshield utilizando colimadores secundarios para ajustar la cantidad de dosis de radiación que reciben los órganos en el área más grande aparte de la pequeña región de interés. Estos colimadores secundarios están integrados con procesadores automáticos de región de interés (ROI) junto con la tecnología de IA que también regula la dosis de radiación del colimador primario. Ayudan a que las imágenes de la región de interés sobre la imagen del área circundante brinden una mejor vista y también permiten que las referencias se hagan fácilmente a diferencia del sistema E-view convencional [7]. En la Figura 4, (A) es una vista E convencional normal de la parte del cuerpo con la región de interés y el área circundante expuestas. (B) es una imagen fluoroscópica habilitada por IA con solo el sitio de intervención en el perfil para reducir las dosis de radiación. (C) es una imagen fluoroscópica óptima habilitada por IA con colimaciones a la región de interés (cuadro cuadrado gris) que se superpone a las áreas circundantes con fines de referencia y orientación [8]
Figura 4. Muestra un análisis comparativo de tres imágenes fluoroscópicas .
Referencias
[1]
Zhang, Z. y Seeram, E. (2020) El uso de la inteligencia artificial en la reconstrucción de imágenes de tomografía computarizada: una revisión de la literatura. Revista de Imágenes Médicas y Ciencias de la Radiación, 51, 671-677.
https://doi.org/10.1016/j.jmir.2020.09.001
[2]
Meineke, A., Rubbert, C., Sawicki, L.M., Thomas, C., Klosterkemper, Y., Appel, E., et al. (2019) Potencial de un modelo de aprendizaje automático para la optimización de dosis en el aseguramiento de la calidad de la TC. Radiología europea, 29, 3705-3713.
https://doi.org/10.1007/s00330-019-6013-6
[3]
Booij, R., van Straten, M., Wimmer, A. y Budde, R.P.J. (2021) Posicionamiento automatizado del paciente en TC utilizando una cámara 3D para la detección del contorno corporal: precisión en pacientes pediátricos. Radiología Europea, 31, 131-138.
https://doi.org/10.1007/s00330-020-07097-w
[4]
Gupta, R.V., Kalra, M.K., Ebrahimian, S., Kaviani, P., Primak, A., Bizzo, B., et al. (2021) Relación compleja entre la inteligencia artificial y la dosis de radiación de TC. Radiología académica. (En prensa)
https://doi.org/10.1016/j.acra.2021.10.024
[5]
Shalom, NE, Gong, GX y Auster, M. (2020) Fluoroscopia: una modalidad de diagnóstico esencial en la era de las imágenes transversales de alta resolución. Revista Mundial de Radiología, 12, 213-230.
https://doi.org/10.4329/wjr.v12.i10.213
[6]
Bang, J.Y., Hough, M., Hawes, R.H. y Varadarajulu, S. (2020) Uso de la inteligencia artificial para reducir la exposición a la radiación en procedimientos endoscópicos guiados por fluoroscopia. La Revista Americana de Gastroenterología, 115, 555-561.
https://doi.org/10.14309/ajg.0000000000000565
[7]
Sethi, S., Barakat, M.T., Friedland, S. y Banerjee, S. (2019) Prácticas de entrenamiento en radiación, protección radiológica y utilización de fluoroscopia entre endoscopistas terapéuticos de EE. UU. Enfermedades y ciencias digestivas, 64, 2455-2466.
https://doi.org/10.1007/s10620-019-05564-z
[8] Emmanuel Worlali Fiagbedzi1,2The Role of Artificial Intelligence (AI) in Radiation Protection of Computed Tomography and Fluoroscopy: A Review. Open Journal of Medical Imaging, Vol.12 No.1, March 2022
