67 articoli
La radiologia e le tecniche di imaging rappresentano gli occhi della medicina moderna, permettendo di osservare l'interno del corpo umano senza ricorrere a interventi invasivi. Da semplici raggi X a complesse risonanze magnetiche, queste discipline forniscono dati cruciali per diagnosi precoci e trattamenti mirati, trasformando immagini in informazioni salvavita.
Su Gist.Science, esploriamo i nuovi studi pubblicati su medRxiv in questo settore, rendendo la ricerca scientifica accessibile a tutti. Processiamo ogni nuovo preprint in questa categoria, offrendo sia una spiegazione in linguaggio semplice che un'analisi tecnica dettagliata, per garantire che i progressi siano comprensibili sia ai pazienti che ai professionisti.
Di seguito trovate l'elenco degli ultimi articoli su radiologia e imaging, aggiornati in tempo reale dalle ultime scoperte.
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.
Questa revisione sistematica del 2010-2025 evidenzia come l'integrazione di imaging molecolare intraoperatorio, tecniche guidate da fluorescenza e intelligenza artificiale possa migliorare la resezione e gli esiti nei tumori cerebrali pediatrici, pur identificando lacune critiche nella disponibilità di piattaforme metabolomiche specifiche per l'età e nella standardizzazione dei protocolli multimodali.
Questo articolo introduce Brain-SAM, un modello specializzato costruito sul framework SAM2 che si adatta ai dati MRI cerebrali 3D attraverso un encoder Hiera e un decoder ispirato a UNETR, ottenendo prestazioni superiori nella segmentazione di varie lesioni cerebrali rispetto a metodi allo stato dell'arte come nnU-Net.
Questo articolo presenta un framework di calibrazione che utilizza proiezioni assialsimmetriche e campionamento sparso per ottimizzare i coefficienti di attenuazione del cranio, migliorando così l'accuratezza delle simulazioni acustiche e delle valutazioni di sicurezza per la neuromodulazione a ultrasuoni focalizzati dinamici attraverso la finestra temporale su 157 soggetti.
Questo studio presenta un robusto modello di deep learning ibrido CNN-Transformer che integra efficacemente immagini ecografiche multi-vista per ottenere una precisione superiore nel differenziare tumori mammari benigni e maligni rispetto ai convenzionali metodi di analisi a singola immagine.
Questo studio dimostra che, sebbene i modelli di fondazione per l'IA applicata alla radiografia del torace mostrino diversi gradi di robustezza rispetto ai parametri di acquisizione come il tipo di proiezione, i loro vantaggi in termini di prestazioni sono spesso specifici del dataset e non riescono a generalizzare attraverso la validazione esterna, rivelando che i bias tecnici persistono indipendentemente dall'architettura del modello o dalla scala dell'addestramento.
Questa revisione sistematica di 31 studi dal 2022 al 2025 dimostra che i modelli di deep learning, in particolare le architetture U-Net avanzate per la segmentazione e i classificatori basati su caratteristiche per la diagnosi, raggiungono un'elevata accuratezza nell'analisi del glioma su risonanza magnetica multiparametrica, sebbene il campo richieda un'IA più spiegabile per garantire fiducia e adozione clinica.