Short-TR Optimization on Post-Contrast Deep Learning Synthetic MRI (DL-MAGiC) for Improved Visualization of ACTH-Secreting Pituitary Microadenomas: A Technical Feasibility Study

En el complejo panorama de la salud humana, la glándula pituitaria es un órgano diminuto pero vital, a menudo llamada la glándula maestra porque dirige la orquesta hormonal del cuerpo. Cuando un tumor microscópico crece en esta glándula y segrega demasiado de una hormona llamada ACTH, desencadena una afección conocida como enfermedad de Cushing. Esta condición provoca cambios físicos severos y riesgos para la salud, lo que hace que sea crítico para los médicos localizar el lugar exacto del tumor antes de la cirugía. Durante décadas, la resonancia magnética nuclear, o RM, ha sido el estándar de oro para esta búsqueda. Sin embargo, la tarea es notoriamente difícil. El tumor suele ser más pequeño que un grano de arroz y, tras inyectar un medio de contraste para hacer visibles los tejidos, el tumor y la glándula sana suelen iluminarse con un brillo similar. Esta falta de diferencia hace que el tumor se mezcle con el fondo, lo que conduce a diagnósticos erróneos en un número significativo de casos. Cuando un cirujano no puede encontrar el tumor, el paciente puede enfrentarse a escaneos repetidos, retrasos en el tratamiento o incluso a la extirpación innecesaria de ambas glándulas suprarrenales.

Los investigadores han sabido durante mucho tiempo que los ajustes utilizados para tomar una imagen de RM pueden cambiar cómo se ven los tejidos. Específicamente, el tiempo entre los pulsos de radio, conocido como tiempo de repetición, y el tiempo de captura de la señal, conocido como tiempo de eco, determinan el contraste entre los diferentes tejidos. En la RM tradicional, estos ajustes se bloquean una vez que comienza el escaneo. Si los ajustes iniciales no muestran el tumor con claridad, el paciente debe someterse a otro escaneo con diferentes ajustes, lo que requiere más tiempo y lo expone a más radiación o medio de contraste. Una tecnología más nueva llamada RM sintética intenta resolver esto capturando una gran cantidad de datos brutos en un solo escaneo. A partir de estos datos, las computadoras pueden generar imágenes con cualquier combinación de ajustes de tiempo después de que el paciente ha salido de la máquina. Al añadir aprendizaje profundo, una forma de inteligencia artificial que limpia el ruido y agudiza los detalles, esta tecnología promete crear imágenes de alta calidad sin la necesidad de volver a escanear.

Un equipo de investigadores del Hospital de Medicina Tradicional China en Dianjiang y el Hospital Médico de la Unión de Pekín se propuso probar si este nuevo enfoque podría finalmente resolver el problema de encontrar estos esquivos tumores. Se centraron en un grupo específico de pacientes que ya habían sido diagnosticados con la enfermedad de Cushing y cuyos tumores habían sido extirpados quirúrgicamente y confirmados por patología. El estudio involucró a cuarenta y nueve pacientes que se sometieron a un escaneo de RM especializado utilizando la técnica de síntesis de aprendizaje profundo. En lugar de limitarse a observar las imágenes que la máquina produce por defecto, los investigadores utilizaron la computadora para sintetizar dieciséis versiones diferentes del escaneo, cada una con una combinación única de ajustes de tiempo. Luego midieron qué tan claramente destacaba el tumor frente a la glándula sana en cada versión.

Los resultados revelaron un patrón claro y sorprendente. Para la gran mayoría de los pacientes, cuyos tumores aparecían más oscuros que el tejido circundante tras la inyección del medio de contraste, las mejores imágenes no fueron las que tenían ajustes estándar. En su lugar, los tumores se volvieron más visibles cuando los investigadores utilizaron un tiempo muy corto entre los pulsos. En estas imágenes óptimas, el contraste entre el tumor y la glándula mejoró casi un noventa por ciento en comparación con los ajustes estándar. Los tumores, que anteriormente eran tenues y difíciles de distinguir, se volvieron nítidos y distintos. Los investigadores encontraron que esta mejora fue más pronunciada cuando el tiempo entre pulsos se estableció en 100 milisegundos y la captura de la señal se estableció entre 5 y 8 milisegundos. Aunque el brillo general de la imagen disminuyó ligeramente con estos ajustes, la diferencia de brillo entre el tumor y la glándula aumentó tanto que el tumor se volvió mucho más fácil de ver.

El estudio también analizó un grupo más pequeño de siete pacientes cuyos tumores aparecían más brillantes que el tejido circundante. En estos casos, cambiar los ajustes de tiempo no produjo una diferencia significativa en la visibilidad. Esta distinción es importante porque sugiere que la nueva técnica es específicamente poderosa para el tipo de tumor más común y difícil de encontrar. Los investigadores hicieron que dos radiólogos expertos revisaran las imágenes sin saber qué ajustes se habían utilizado. Los médicos calificaron consistentemente las imágenes con los ajustes de tiempo corto como excelentes, señalando que los límites de los tumores eran nítidos y las lesiones eran fáciles de detectar. En contraste, las imágenes con ajustes estándar o de mayor duración fueron calificadas como regulares o deficientes, con los tumores pareciendo a menudo borrosos o indistinguibles del tejido sano.

Este trabajo representa un avance técnico en la forma en que se pueden procesar las imágenes de RM después de haber sido tomadas. Los investigadores demostraron que, mediante el uso de la RM sintética de aprendizaje profundo, es posible encontrar los ajustes perfectos para hacer visible un tumor oculto sin tener que volver a escanear al paciente. El estudio confirma que, para el tipo más común de tumor secreto de ACTH, un ajuste de tiempo muy corto crea una imagen mucho más clara. Sin embargo, los autores advierten cuidadosamente que este es un estudio de viabilidad, lo que significa que demuestra que el método funciona en un entorno controlado, pero aún no demuestra que el uso de estos ajustes en un hospital real conducirá a mejores resultados quirúrgicos. El siguiente paso, que los investigadores planean emprender, es probar estos ajustes optimizados directamente en máquinas de RM estándar para ver si pueden mejorar el diagnóstico en el mundo real. Hasta entonces, este estudio proporciona una hoja de ruta vital sobre cómo sintonizar la máquina para ver lo invisible, ofreciendo la esperanza de que menos pacientes tengan que esperar por un diagnóstico que está justo fuera de su alcance.