Искусственный интеллект (ИИ) может повысить качество изображений, а также анализ и прогнозирование в гибридной визуализации, но клиницисты должны проявлять осторожность с алгоритмами, поскольку они не всегда надежны в клинической практике, предупредил французский эксперт в области трансляционной визуализации.

Искусственный интеллект продолжает развиваться в ядерной медицине и гибридной визуализации, заявила делегатам конференции по гибридной визуализации в реальном времени (CHILI), организованной Европейским обществом, профессор Ирэн Бюва, директор лаборатории трансляционной визуализации в онкологии U1288 Inserm в Институте Кюри в Париже. гибридной, молекулярной и трансляционной визуализации (ESHI ^MT ), состоявшейся 11 ноября.

«Теперь новым является то, что у нас есть академические методы и продукты, предлагаемые поставщиками для этих трех приложений», — сказала она. «Это должно ускорить исследование, которое может быть выполнено как для фундаментальных исследований с использованием молекулярной визуализации, так и для клинических исследований».

Но медицинскому сообществу следует «замечать пробел», потому что доступность этих методов ИИ не означает, что они обязательно принесут какую-то дополнительную клиническую пользу. «Тем не менее, их наличие позволяет проводить обширную клиническую оценку этих методов, поэтому мы можем опираться на это, чтобы улучшить их», — сказала она участникам виртуальной встречи.

Качество изображения и интерпретация

Очень популярным применением ИИ является восстановление высококачественных изображений из данных с небольшим количеством данных, поскольку качество изображения снижается по мере уменьшения количества отсчетов, используемых для получения.

«Теперь мы можем обучать алгоритмы, чтобы они могли автоматически фильтровать эти изображения, и мы можем восстанавливать достойные изображения даже при малом количестве снимков», — отметила Бюва.

Практика показала, что качество изображения повышается, когда изображения, восстановленные из данных с малым количеством данных, фильтруются алгоритмом ИИ по сравнению с использованием фильтра Гаусса.

Тем не менее, глядя на количественное содержание изображений, стандартизированное значение поглощения (SUV) не очень хорошо восстанавливается при фильтрации изображений с помощью ИИ. Хуже того, недооценка внедорожника становится больше по мере того, как поражения становятся меньше, отмечает Бюва.

«Эти алгоритмы плохо справляются с восстановлением количественных значений на отфильтрованных изображениях. Так что это вызывает некоторое беспокойство, и мы должны обратить на это внимание, особенно при использовании измерений SUV при последующем наблюдении за пациентами», — сказала она.

Еще одно популярное применение ИИ — реконструкция ПЭТ-изображений с коррекцией затухания без КТ. Например, алгоритм ИИ обучен восстанавливать изображения с коррекцией затухания из изображений ПЭТ без коррекции затухания.

В этой области были проведены обнадеживающие исследования, и было показано, что ИИ способен восстанавливать изображения с коррекцией затухания, аналогичные тем, которые были бы получены, когда коррекция затухания выполнялась с помощью КТ.

Но и здесь следует соблюдать осторожность, настаивала она. «В исследовании последующего наблюдения реконструкция изображения с использованием коррекции затухания ИИ пропустила небольшое поражение, видимое на КТ при первом сканировании и последующем сканировании … Это говорит о том, что мы должны быть очень осторожны при использовании ИИ, потому что это может не всегда может быть надежным, и в настоящее время нет возможности это проверить», — сказала она.

Если бы эти алгоритмы работали, преимущества включали бы более быстрое сканирование с более высокой пропускной способностью пациентов и меньшим количеством артефактов движения, а также возможность выполнять сканирование с низкой дозой облучения в педиатрической популяции и при последующем наблюдении пациентов с использованием ПЭТ и ОФЭКТ.

Еще одним крупным достижением могут быть новые применения в ядерной медицине, такие как более широкое использование ядерной визуализации у таких групп населения, как дети и, возможно, беременные женщины, добавил Бюват, который представил изображения 19-недельного плода, полученные с помощью ФДГ-ПЭТ/ МРТ. «Мы можем наблюдать поглощение ФДГ мочевым пузырем, почками и миокардом, но не мозгом плода», — сказала она.

Был достигнут огромный прогресс в интерпретации изображений с помощью ИИ, особенно в сегментации молекулярных или гибридных изображений. «Готовые решения работают достаточно хорошо, — сказала она. «Например, no-new-Net предлагает хорошо продуманную предварительную обработку, которая позволяет успешно сегментировать огромное количество изображений. Это чрезвычайно актуально в контексте гибридной визуализации».

Инструмент позволяет автоматически сегментировать раковые образования с результатами, сравнимыми с результатами, полученными экспертами, а для сегментации опухоли всего тела автоматически сегментировать все участки опухоли.

Венской команде недавно удалось сегментировать каждый орган на ПЭТ/КТ всего тела. «Было бы интересно автоматически обнаруживать опухоли или характеризовать метаболизм в каждом органе, чтобы увидеть, как обмен веществ на самом деле нарушается при наличии болезни. Это очень многообещающая область», — сказала она.

Если бы эти инструменты работали, они упростили бы автоматический и систематический расчет биомаркеров. «ИИ также может использовать новые приложения и значительно облегчить дозиметрические исследования, поскольку они позволяют автоматически определять границы органов».

Задача будет состоять в том, чтобы убедиться, что эти модели успешно адаптируются к внешним данным. Другая проблема связана с тем, что Бюва назвал «эффектом стеклянного потолка».

«Изображения могут предложить только то, что у них есть, и иногда их содержания недостаточно, чтобы ответить на наш вопрос. Мы должны включить некоторые клинические, патологические и, возможно, геномные данные, и мы сможем превзойти производительность, которую мы наблюдаем в модели только для радиомикродинамиков», — заключила она.