Imagine que você está no hospital, com dor e ansioso para saber o resultado do seu diagnóstico. Seu médico pede uma ressonância magnética, o que significa aguardar por um horário disponível para que você possa ficar totalmente imóvel dentro de um tubo estreito de scanner por até um hora. Enquanto o equipamento de ressonância magnética coleta dados gradualmente, você só tem a companhia do barulho de estalos e batidas intermitentes da corrente elétrica das bobinas magnéticas do scanner. Se você se mover durante o exame, a imagem pode não ficar clara o suficiente para ser útil, o que representaria a necessidade de marcar outro horário para voltar e fazer tudo de novo.
Ressonâncias magnéticas são muitas vezes a melhor ferramenta para diagnosticar problemas em órgãos, músculos e outros tecidos moles. Mas mesmo com os avanços recentes, é preciso uma quantidade significativa de tempo para o scanner coletar os dados necessários. Isso é difícil para qualquer um, e pode ser impossível para crianças ou pessoas gravemente doentes.
O tempo que leva para completar uma ressonância magnética não faz apenas com que o paciente tenha uma experiência desgastante, mas também limita a quantidade de pessoas que podem ser avaliadas em um determinado dia. E, enquanto a varredura do scanner acontece, alguns tipos de tecido do corpo estão em movimento constante, o que pode borrar uma imagem que já leva muito tempo para ser gerada, tornando-a inútil. Além disso, quando os médicos precisam de informações rapidamente, eles costumam usar outra tecnologia em vez de esperar pelo scanner da ressonância magnética. Raios-X e tomografias são muito mais rápidos, mas ao contrário das ressonâncias magnéticas, eles expõem o corpo à radiação ionizante. E em alguns tipos de tecido, as ressonâncias magnéticas podem revelar mais detalhes do que métodos alternativos.
Pesquisadores do Facebook AI trabalharam em parceria com médicos e especialistas em imagens médicas da NYU Langone Health para resolver esse problema e promover avanços em pesquisas de Inteligência Artificial. Estamos usando AI para criar imagens completas a partir de muito menos dados brutos. Como a coleta de dados é o que torna as ressonâncias magnéticas tão lentas, isso tem o potencial de acelerar significativamente o processo de digitalização. Então, um dia, em um futuro felizmente não muito distante, você poderá passar apenas alguns minutos no tubo do scanner para gerar uma imagem nítida.
Depois de dois anos de trabalho na iniciativa fastMRI, o Facebook AI e a NYU Langone alcançaram um marco importante. Um novo estudo clínico a ser publicado no American Journal of Roentgenology mostra, pela primeira vez, que imagens de ressonância magnética rápida são equivalentes às de ressonâncias magnéticas regulares. O estudo focou especificamente na digitalização de joelho, e agora estamos trabalhando para estender os resultados a outras partes do corpo.
“Este é um passo importante para a aceitação clínica e utilização de scans de ressonância magnética com aceleração de inteligência artifical”, disse o Dr. Michael P. Recht, professor da Louis Marx e titular da Cadeira de Radiologia da NYU Langone Health.
Ondas de rádio, ímãs e matemática
Para entender a ressonância magnética rápida, primeiro é importante saber como funcionam as ressonâncias magnéticas.
Para criar a imagem que seu médico ou radiologista analisa, a máquina de ressonância magnética usa campos magnéticos que interagem com átomos de hidrogênio nos tecidos moles e órgãos vitais do corpo. Esses átomos então emitem sinais eletromagnéticos que agem como faróis, indicando onde os átomos estão localizados no corpo. Os sinais são coletados pelo scanner como uma sequência de medições de frequência 2D individual, conhecida como dados de espaço k.
Depois de todos os dados serem finalmente coletados, o sistema aplica uma complexa fórmula matemática – uma transformação inversa de Fourier – para os dados brutos do espaço K para criar imagens detalhadas de ressonância magnética do joelho, costas, cérebro ou outra área do corpo. Sem um conjunto completo de pontos de dados, a matemática não pode identificar exatamente de onde vem todo o sinal.
Inteligência Artificial encontra ressonâncias magnéticas
A equipe do estudo fastMRI usou uma maneira totalmente diferente de criar uma imagem – que requer muito menos dados brutos. Os pesquisadores construíram uma rede neural e a treinaram usando o maior conjunto de dados de código aberto do mundo de ressonâncias magnéticas de joelho, que foi criado e compartilhado pela NYU Langone Health como parte desta iniciativa. (Todos os dados usados no projeto, incluindo imagens usadas para o estudo, são de código aberto de um conjunto de dados que a NYU Langone criou em 2018. Antes de abrir o código dos dados, a NYU Langone se certificou de que todas os scans fossem desidentificadas e nenhuma informação de pacientes disponibilizada para revisores ou pesquisadores que trabalham no projeto fastMRI.)
Os pesquisadores do fastMRI removeram cerca de três quartos dos dados brutos em cada digitalização e, em seguida, alimentaram as informações restantes no modelo de AI, que então aprendeu a gerar imagens completas a partir dos dados limitados. É importante ressaltar que as imagens produzidas pelo modelo de AI não se pareciam com ressonâncias magnéticas genéricas; as imagens geradas por AI correspondiam à imagem real criada pelo processo padrão e lento de ressonância magnética. Imagine pegar apenas 250 peças de um quebra-cabeça de 1.000 peças e então completar a imagem inteira de uma forma que não apenas pareça plausível; mas também corresponda exatamente ao quebra-cabeça completo mostrado na sua caixa. Essa é a difícil aproximação que a equipe do fastMRI foi capaz de fazer com seu modelo.
A abordagem de ressonância magnética rápida é diferente de outras tentativas de usar Inteligência Artificial na medicina. Muitas vezes, esses algoritmos visam automatizar a revisão de imagens médicas para tentar detectar problemas potenciais, como um médico faria. Mas o fastMRI não tenta fazer o trabalho dos especialistas médicos; em vez disso, cria uma imagem completa a partir de informações esparsas. Radiologistas e médicos podem usar a imagem de ressonância magnética rápida como fariam normalmente. A única diferença é que o paciente passa menos tempo no tubo do scanner.
Como os radiologistas testam a ressonância magnética rápida
Os pesquisadores por trás da ressonância magnética rápida tiveram que se certificar de que seu modelo não sacrificaria a precisão em prol da velocidade. Apenas alguns pontos ausentes ou modelados incorretamente em uma imagem podem significar a diferença entre encontrar um ligamento rompido ou um possível tumor, dando aos pacientes um relatório totalmente incorreto.
O estudo clínico de hoje é um passo importante, mas existem muitos mais
avanços por vir. Agora, pesquisadores do Facebook AI e da NYU Langone querem mostrar que a ressonância magnética rápida funciona também em outros órgãos vitais, como o cérebro. A equipe do fastMRI publicou seus dados, modelos e códigos para que outros pesquisadores possam ter acesso a este trabalho e contribuir com novas ideias. Os pesquisadores esperam que essa abordagem aberta acelere o progresso e leve a novas maneiras de usar AI para acelerar os exames de ressonância magnética. Além disso, já que compartilhamos nossos modelos abertamente, os fabricantes de equipamentos de ressonância magnética estão livres para testar o fastMRI em suas máquinas agora, e trazer rapidamente essas vantagens para os pacientes.
Há mais coisas a se fazer com o fastMRI. Mas, em breve, as ressonâncias magnéticas aceleradas por AI poderão beneficiar milhões de pessoas em todo o mundo.