Algoritmos de deep learning supervisionado já reduzem artefatos metálicos em tomografia computadorizada com desempenho superior aos métodos não-DL?
Resposta curta: Segundo esta revisão sistemática, algoritmos de deep learning supervisionado para redução de artefatos metálicos em TC mostraram valores mais altos de PSNR e SSIM que imagens não corrigidas e que algoritmos não-DL em treze algoritmos avaliados. Um estudo relatou desempenho estatisticamente significativo em dados clínicos por unidades Hounsfield. Os autores consideram os resultados promissores, mas pedem metodologias padronizadas.
Resposta
A redução de artefatos metálicos é um problema recorrente na tomografia computadorizada, pois implantes metálicos degradam a qualidade da imagem e a acurácia diagnóstica. Com o avanço da inteligência artificial, novos algoritmos de redução de artefatos metálicos baseados em deep learning passaram a entrar na prática clínica, o que motivou esta revisão sistemática.
Os autores organizaram os algoritmos de deep learning supervisionado em três domínios: sinograma, imagem e domínio duplo. A busca foi realizada em PubMed, EMBASE, Web of Science e Scopus, e o desempenho foi avaliado por medidas objetivas como peak signal-to-noise ratio (PSNR) e structural similarity index measure (SSIM), comparando a correção com imagens não corrigidas.
Após a triagem, foram selecionados quatorze estudos que compararam algoritmos de deep learning com imagens não corrigidas. Treze algoritmos apresentaram valores mais altos de PSNR e SSIM em relação às imagens não corrigidas e aos algoritmos não baseados em deep learning. Um estudo mostrou desempenho estatisticamente significativo em dados clínicos, com base em cálculos de unidades Hounsfield.
A conclusão é que os algoritmos de deep learning mostram resultados promissores na redução de artefatos metálicos, mas são necessárias metodologias padronizadas para avaliar esses algoritmos em dados clínicos e melhorar a comparabilidade entre eles. O resumo não detalha a população de pacientes nem o desenho individual dos estudos incluídos.
O que o estudo mostrou
Trata-se de uma revisão sistemática com busca em PubMed, EMBASE, Web of Science e Scopus. Foram selecionados quatorze estudos que compararam algoritmos de redução de artefatos metálicos baseados em deep learning supervisionado com imagens não corrigidas. Os algoritmos foram categorizados nos domínios sinograma, imagem e domínio duplo. Treze algoritmos apresentaram valores mais altos de PSNR e SSIM que as imagens não corrigidas e que os algoritmos não-DL. Um estudo mostrou desempenho estatisticamente significativo em dados clínicos por cálculos de unidades Hounsfield.
Limitações
O resumo não informa o número total de pacientes nem as características dos estudos incluídos, e a avaliação baseou-se principalmente em medidas objetivas como PSNR e SSIM. Apenas um estudo relatou desempenho estatisticamente significativo em dados clínicos, e os próprios autores apontam a necessidade de metodologias padronizadas para avaliar algoritmos de deep learning em dados clínicos e permitir comparabilidade.
Aplicação no consultório
Para o médico que solicita ou interpreta tomografias com implantes metálicos, a revisão indica que algoritmos de deep learning supervisionado podem melhorar a qualidade da imagem, mas ainda não há padronização suficiente para escolher um algoritmo com base em evidência clínica robusta. Na gestão do serviço de imagem, vale acompanhar a incorporação dessas ferramentas e exigir dos fornecedores avaliação em dados clínicos, não apenas métricas objetivas, antes de adotá-las na rotina.
Estudo citado
Advancements in supervised deep learning for metal artifact reduction in computed tomography: A systematic review. European journal of radiology, 2024.
Autores: Kleber CEJ, Karius R, Naessens LE, Van Toledo CO, A C van Osch J, Boomsma MF, Heemskerk JWT, van der Molen AJ.
DOI: 10.1016/j.ejrad.2024.111732 · PubMed: PMID 39265203
Perguntas para aprofundar
- Como os algoritmos de deep learning para redução de artefatos metálicos se comportam em dados clínicos reais?
- Quais medidas objetivas são usadas para comparar algoritmos de redução de artefatos metálicos em TC?
- O que falta para padronizar a avaliação clínica desses algoritmos antes da adoção na rotina?
Mais sobre IA em diagnóstico por imagem e radiologia
- A aprendizagem profunda é eficaz na detecção e segmentação de nódulos pulmonares em tomografia computadorizada?
- A detecção automatizada de lesões ósseas por TC e RM com inteligência artificial já tem validação clínica suficiente para uso na prática?
- Qual é a acurácia da segmentação de câncer de pulmão em tomografia computadorizada por aprendizado profundo e quais fatores influenciam seu desempenho?
- Técnicas de deep learning 3D podem melhorar a reconstrução de imagens de tomografia computadorizada?
- Modelos de inteligência artificial têm bom desempenho diagnóstico na detecção de fraturas faciais em tomografia e radiografias?
Todas as perguntas sobre IA em diagnóstico por imagem e radiologia · Todos os temas · Versão em markdown