80 articoli
Il documento presenta DBT-2026, un dataset pubblico e anonimizzato composto da 558 esami di tomosintesi mammaria digitale con annotazioni esperte e referti radiologici, reso disponibile gratuitamente per la ricerca non commerciale sulle immagini del cancro al seno.
Questo studio presenta e convalida BUDAPEST, un algoritmo bayesiano open-source con interfaccia grafica che stima rapidamente e in modo affidabile la soglia motoria nella stimolazione magnetica transcranica (TMS) con un numero ridotto di impulsi e un controllo dell'incertezza, riducendo il carico per i partecipanti e facilitando l'adozione clinica.
Lo studio dimostra che i parametri 3D-DXA ottenuti con i densitometri GE Healthcare Prodigy e iDXA presentano un eccellente accordo e una precisione a breve termine simile, indicando che non sono necessarie correzioni quando si utilizza il software 3D-Shaper su entrambi i dispositivi.
Lo studio introduce il metodo di elastografia ottimizzato con supporto (HOE), che migliora la rilevazione non invasiva dell'edema linfatico correlato al cancro al seno visualizzando le aree ad alta velocità (HVA) causate da ostruzioni linfatiche, sebbene siano necessari ulteriori affinamenti tecnici per massimizzarne l'utilità diagnostica.
Questo studio rivela il divario tra modelli di IA addestrati su etichette NLP e la valutazione di radiologi esperti, dimostrando che l'uso di set di validazione esperti, un addestramento limitato e la regolarizzazione permettono di superare le prestazioni di base e allineare l'IA al giudizio clinico.
Questo studio presenta un framework di deep learning automatizzato che, applicato a oltre 10.000 scansioni MRI del UK Biobank, permette di quantificare con precisione il volume e la frazione di grasso di 20 specifici muscoli dell'anca e della coscia, rivelando eterogeneità anatomiche, declini longitudinali differenziati per sesso e firme patologiche specifiche nel diabete di tipo 2.
Questo lavoro presenta un modello di segmentazione basato sul deep learning per l'identificazione automatica di 19 compartimenti di tessuto adiposo metabolicamente rilevanti e depositi di grasso ectopico da immagini MRI Dixon a corpo intero, fornendo anche le relative routine di post-elaborazione per il calcolo dei volumi e delle percentuali di grasso.
Questo studio rivela che le alterazioni strutturali cerebrali croniche post-TBI lieve in giovani adulti presentano pattern differenziati per sesso, con un ispessimento corticale parietale superiore correlato a deficit di attenzione nei maschi e un recupero della sostanza bianca associato a un migliore controllo inibitorio nelle femmine.
Questo studio dimostra che un modello di deep learning, sfruttando il trasferimento di conoscenza da immagini MRI con mezzo di contrasto, permette di estrarre biomarcatori renali volumetrici accurati da scansioni MRI senza contrasto, sebbene con alcune limitazioni nella stima delle aree superficiali e nella segmentazione dei compartimenti interni.
Uno studio retrospettivo su 461 candidati donatori di rene ha dimostrato che una segmentazione automatica basata su CT, addestrata con una rete neurale convoluzionale, fornisce biomarcatori volumetrici riproducibili che si correlano significativamente con la funzione renale globale e differenziata, suggerendo il loro potenziale utilizzo nella valutazione dei donatori.
Questo studio pilota dimostra che un agente AI orchestrato da un LLM può automatizzare l'intero flusso di lavoro di interpretazione e quantificazione PET/CT, dal DICOM grezzo alla bozza di rapporto strutturato, raggiungendo un'alta affidabilità nella rilevazione dei tumori primari ma evidenziando limitazioni sistematiche nella valutazione dei linfonodi e delle metastasi che richiedono ancora la supervisione di esperti.
Questo studio dimostra che, per la segmentazione del tessuto mammario denso su piccoli dataset, l'uso di architetture CNN pre-addestrate con auto-supervisione multi-vista e un fine-tuning completo con perdita ibrida offre il miglior compromesso tra accuratezza ed efficienza rispetto a modelli basati su transformer o strategie di aggiornamento parametrico efficiente.
Questo studio presenta un framework data-driven che identifica cinque sottotipi spaziali robusti di iperintensità della sostanza bianca, i quali mostrano associazioni distinte con i fattori di rischio vascolare e migliorano la previsione della progressione della malattia rispetto al semplice volume globale delle lesioni.
Uno studio pilota ha dimostrato che l'intensità del segnale normalizzata nell'imaging risonanza magnetica con contrasto dinamico (DCE-MRI) è significativamente più elevata nel nucleo della placca carotidea rispetto alla parete vascolare sana, mostrando un'eccellente riproducibilità nel tempo e risultando non influenzata dal trattamento con colchicina.
Lo studio dimostra che, per la segmentazione AI del fegato, dataset altamente curati ma più piccoli possono ottenere prestazioni 3D equivalenti a dataset molto più grandi ma meno curati, sebbene quest'ultimi offrano vantaggi in termini di generalizzabilità e prestazioni locali.
Questo studio dimostra che l'imaging MRI pesato in T2 ad alta risoluzione a 7 Tesla permette di rilevare e quantificare con successo i segmenti perivascolari leucocorticali all'interfaccia materia grigia-bianca in soggetti sani, aprendo la strada a nuove applicazioni diagnostiche per le malattie neurologiche.
Questo studio dimostra che l'uso di colliri contenenti acqua arricchita con O-17 permette di visualizzare, tramite risonanza magnetica, il deflusso del fluido acquoso dall'occhio al liquido cerebrospinale lungo il nervo ottico, confermando l'esistenza di una via di drenaggio non convenzionale che potrebbe essere parte del sistema glicolinfatico oculare.
Questo studio confronta diverse architetture di modellazione per la classificazione dello stato di mutazione EGFR nel carcinoma polmonare non a piccole cellule, dimostrando che l'integrazione di caratteristiche radiomiche e cliniche ottiene le migliori prestazioni e sottolineando il potenziale traslazionale della radiogenomica rispetto alle biopsie tradizionali.
Lo studio conclude che, nell'ambito di piccoli dataset di risonanza magnetica cerebrale per la super-risoluzione basata sul deep learning, la validazione incrociata k-fold rappresenta il miglior compromesso tra accuratezza, stabilità e fattibilità computazionale rispetto alla divisione in tre gruppi e alla validazione incrociata annidata.
Questo studio presenta un approccio di apprendimento automatico basato sull'analisi delle componenti principali contrastive (cPCA) applicata alla spettroscopia MRI (MRSI) per filtrare gli artefatti e identificare firme neurometaboliche specifiche nelle lesioni della sclerosi multipla, trasformando dati complessi in rappresentazioni interpretabili per la ricerca clinica.