L’intelligenza artificiale e le simulazioni riducono i tempi delle risonanze magnetiche cerebrali avanzate fino al 90%.

Due ricercatori dell’Istituto di Neuroscienze (IN), un centro congiunto del Consiglio Nazionale delle Ricerche spagnolo (CSIC) e dell’Università Miguel Hernández di Elche (UMH), hanno sviluppato una nuova strategia basata sull’intelligenza artificiale e sulle simulazioni al computer che permette di ottenere informazioni dettagliate sul cervello più rapidamente dalle risonanze magnetiche, utilizzando una quantità di dati nettamente inferiore rispetto al metodo tradizionale. Il metodo, pubblicato sulla rivista Communications Medicine , può ridurre fino al 90% il tempo necessario per alcune risonanze magnetiche avanzate, mantenendo al contempo un elevato livello di precisione, aprendo la strada a una neuroimmagine più efficiente e accessibile in ambito clinico.

Lo studio propone un cambiamento nel modo in cui l’intelligenza artificiale viene applicata alla neuroimmagine. Invece di addestrare modelli utilizzando dati reali di pazienti, come avviene comunemente in molte applicazioni attuali, il team ha utilizzato un modello basato sulla fisica del processo di diffusione nel tessuto cerebrale per generare simulazioni. Questi dati vengono poi utilizzati per addestrare reti neurali a stimare i parametri del modello che fungono da biomarcatori indicativi dello stato del tessuto, utilizzando un numero molto ridotto di immagini di risonanza magnetica.

“Ridurre i tempi di acquisizione necessari permette di integrare tecniche di risonanza magnetica molto più avanzate, con conseguente maggiore disponibilità di informazioni cliniche per il personale medico”, spiega la ricercatrice Silvia De Santis, responsabile del Laboratorio di Biomarcatori di Imaging Traslazionale presso l’IN CSIC-UMH.

Questo approccio riduce anche i bias associati ai tradizionali set di dati clinici. “L’utilizzo delle simulazioni ci consente di generare tutti i dati di cui abbiamo bisogno, senza dipendere dalla disponibilità dei pazienti e senza incorrere in problemi di privacy”, aggiunge il ricercatore Maximilian Eggl, che dirige la linea di ricerca sui biomarcatori della struttura e della funzione cerebrale ispirata all’intelligenza artificiale presso l’IN CSIC-UMH.

Meno tempo di scansione, più informazioni.

La metodologia si basa su tecniche avanzate di risonanza magnetica, come la risonanza magnetica pesata in diffusione , che permette di studiare in modo non invasivo il movimento dell’acqua nel tessuto cerebrale e di ottenere così informazioni sulla sua microstruttura. A partire da questi segnali, l’intelligenza artificiale ricostruisce in modo efficiente le caratteristiche dettagliate del tessuto cerebrale.

Uno dei risultati più significativi dello studio è la drastica riduzione del numero di misurazioni necessarie. “Abbiamo dimostrato che la nostra rete, addestrata interamente su simulazioni, può raggiungere un livello di precisione molto elevato utilizzando solo il 10% dei dati”, afferma Eggl. “Questo potrebbe avere un impatto diretto in ambito clinico, soprattutto negli ospedali con liste d’attesa molto lunghe”, aggiunge il ricercatore.

In pratica, questa innovazione potrebbe tradursi in una significativa riduzione dei tempi di scansione: “Immaginate di passare da circa 40 minuti a circa 8 per ottenere le stesse informazioni. Questa procedura consentirebbe di aumentare il numero di pazienti trattati nello stesso lasso di tempo e di rendere il sistema molto più efficiente”, concordano entrambi i ricercatori.

Verso una diagnosi precoce delle malattie neurodegenerative

Questo approccio apre anche nuove possibilità nello studio delle malattie neurodegenerative come l’Alzheimer, che presentano una lunghissima fase preclinica, che può durare fino a due decenni, durante la quale non compaiono sintomi visibili. “La diagnosi clinica delle malattie degenerative si basa ancora su tecniche sviluppate più di 30 anni fa, mentre l’integrazione dei progressi generati in laboratorio rimane una sfida importante. Questo nuovo approccio consentirebbe di ottenere informazioni più dettagliate e, di conseguenza, di migliorare la diagnosi di queste malattie”, spiega De Santis.

Inoltre, il sistema consente la rianalisi di dati di risonanza magnetica acquisiti decenni fa, la cui analisi era precedentemente limitata dalle tecnologie disponibili all’epoca. Grazie a questo nuovo approccio basato sulla simulazione, tali dati possono essere reinterpretati per estrarre nuove informazioni rilevanti sulle malattie neurologiche.

Abstract

Sfondo

La risonanza magnetica pesata in diffusione (DWI) offre un metodo non invasivo per studiare la microstruttura del tessuto cerebrale ed è ampiamente utilizzata nelle neuroscienze e nella ricerca clinica. Le mappe microstrutturali affidabili richiedono solitamente tempi di scansione lunghi, poiché sono necessarie numerose misurazioni per campionare lo spazio dei parametri sottostante. Ciò limita la fattibilità e l’accessibilità clinica. L’obiettivo di questo studio è determinare se l’inferenza basata sulla simulazione possa ridurre la quantità di dati di diffusione richiesti, preservando al contempo l’accuratezza della stima nei modelli di diffusione comunemente utilizzati.

Metodi

Applichiamo l’inferenza basata sulla simulazione utilizzando la stima a posteriori neurale per dedurre i parametri di diffusione direttamente dai segnali misurati. L’approccio viene testato su immagini di tensore di diffusione, immagini di curtosi di diffusione e modelli biofisici di densità e dimensione assonale. I modelli vengono addestrati interamente su dati simulati e valutati utilizzando sia set di dati simulati che dati sperimentali sul cervello di individui sani e patologici. Le prestazioni vengono confrontate con l’adattamento standard ai minimi quadrati non lineari in condizioni di rumore e campionamento sparso.

Risultati

In questo studio dimostriamo che l’inferenza basata sulla simulazione consente di ottenere stime affidabili dei parametri utilizzando fino al 90% di misurazioni in meno rispetto agli approcci convenzionali. Il metodo supera costantemente le prestazioni dell’adattamento standard quando i dati sono rumorosi o limitati e si dimostra robusto in diversi modelli, schemi di campionamento e con dati cerebrali sia sani che patologici.

Conclusioni

Questo studio dimostra che l’inferenza basata sulla simulazione consente un’imaging microstrutturale rapida e robusta con tempi di scansione notevolmente ridotti. L’approccio supporta flussi di lavoro che tutelano la privacy, potrebbe ampliare l’accesso alla dMRI, ad esempio per pazienti pediatrici e altri pazienti con esigenze urgenti, consentire protocolli avanzati sensibili alla microstruttura e recuperare dati preesistenti di qualità subottimale.

by