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

Nel complesso panorama della salute umana, l'ipofisi è un organo minuscolo ma vitale, spesso chiamata la ghiandola maestra perché dirige l'orchestra ormonale del corpo. Quando un tumore microscopico cresce su questa ghiandola e secerne troppo di un ormone chiamato ACTH, innesca una condizione nota come malattia di Cushing. Questa condizione causa gravi cambiamenti fisici e rischi per la salute, rendendo fondamentale per i medici individuare l'esatto punto del tumore prima dell'intervento chirurgico. Per decenni, la risonanza magnetica nucleare, o MRI, è stata il gold standard per questa ricerca. Tuttavia, il compito è notoriamente difficile. Il tumore è spesso più piccolo di un chicco di riso e, dopo che viene iniettato un mezzo di contrasto per rendere visibili i tessuti, il tumore e la ghiandola sana spesso si illuminano con la stessa brillantezza. Questa mancanza di differenza fa sì che il tumore si confonda con lo sfondo, portando a diagnosi errate in un numero significativo di casi. Quando un chirurgo non riesce a trovare il tumore, il paziente può affrontare scansioni ripetute, ritardi nel trattamento o persino la rimozione non necessaria di entrambe le ghiandole surrenali.

I ricercatori sanno da tempo che le impostazioni utilizzate per scattare un'immagine MRI possono cambiare l'aspetto dei tessuti. Nello specifico, il tempo tra gli impulsi radio, noto come tempo di ripetizione, e il tempo di acquisizione del segnale, noto come tempo di eco, determinano il contrasto tra i diversi tessuti. Nella MRI tradizionale, queste impostazioni sono bloccate una volta iniziato lo scan. Se le impostazioni iniziali non mostrano chiaramente il tumore, il paziente deve sottoporsi a un'altra scansione con impostazioni diverse, il che richiede più tempo ed espone a maggiori radiazioni o mezzo di contrasto. Una nuova tecnologia chiamata MRI sintetica tenta di risolvere questo problema catturando una vasta quantità di dati grezzi in una singola scansione. Da questi dati, i computer possono generare immagini con qualsiasi combinazione di impostazioni temporali dopo che il paziente ha lasciato la macchina. Aggiungendo il deep learning, una forma di intelligenza artificiale che pulisce il rumore e affina i dettagli, questa tecnologia promette di creare immagini di alta qualità senza la necessità di nuove scansioni.

Un team di ricercatori dell'Ospedale di Medicina Tradizionale Cinese di Dianjiang e del Peking Union Medical College Hospital si è proposto di testare se questo nuovo approccio potesse finalmente risolvere il problema di trovare questi elusivi tumori. Si sono concentrati su un gruppo specifico di pazienti che erano già stati diagnosticati con la malattia di Cushing e i cui tumori erano stati rimossi chirurgicamente e confermati dalla patologia. Lo studio ha coinvolto quarantanove pazienti che sono stati sottoposti a una scansione MRI specializzata utilizzando la tecnica sintetica del deep learning. Invece di guardare solo le immagini prodotte dalla macchina per impostazione predefinita, i ricercatori hanno usato il computer per sintetizzare sedici versioni diverse della scansione, ciascuna con una combinazione unica di impostazioni temporali. Hanno poi misurato quanto chiaramente il tumore si stagliava contro la ghiandola sana in ogni versione.

I risultati hanno rivelato un modello chiaro e sorprendente. Per la stragrande maggioranza dei pazienti, i cui tumori apparivano più scuri rispetto al tessuto circostante dopo l'iniezione del mezzo di contrasto, le immagini migliori non erano quelle con impostazioni standard. Al contrario, i tumori diventavano più visibili quando i ricercatori utilizzavano un tempo tra gli impulsi molto breve. In queste immagini ottimali, il contrasto tra il tumore e la ghiandola migliorava di quasi il novanta per cento rispetto alle impostazioni standard. I tumori, precedentemente deboli e difficili da distinguere, diventavano nitidi e distinti. I ricercatori hanno scoperto che questo miglioramento era più pronunciato quando il tempo tra gli impulsi era impostato a 100 millisecondi e la cattura del segnale era impostata tra 5 e 8 millisecondi. Sebbene la brillantezza complessiva dell'immagine fosse leggermente diminuita con queste impostazioni, la differenza di brillantezza tra il tumore e la ghiandola aumentava così tanto che il tumore diventava molto più facile da vedere.

Lo studio ha esaminato anche un gruppo più piccolo di sette pazienti i cui tumori apparivano più luminosi rispetto al tessuto circostante. In questi casi, cambiare le impostazioni temporali non ha fatto una differenza significativa nella visibilità. Questa distinzione è importante perché suggerisce che la nuova tecnica è specificamente potente per il tipo di tumore più comune e difficile da trovare. I ricercatori hanno fatto esaminare le immagini da due radiologi esperti senza sapere quali impostazioni fossero state utilizzate. I medici hanno costantemente valutato le immagini con le impostazioni temporali brevi come eccellenti, notando che i confini dei tumori erano nitidi e le lesioni facili da individuare. Al contrario, le immagini con impostazioni standard o tempi più lunghi sono state valutate come discrete o scarse, con i tumori che spesso apparivano sfocati o indistinguibili dal tessuto sano.

Questo lavoro rappresenta una svolta tecnica nel modo in cui le immagini MRI possono essere elaborate dopo essere state acquisite. I ricercatori hanno dimostrato che, utilizzando la MRI sintetica con deep learning, è possibile trovare le impostazioni perfette per rendere visibile un tumore nascosto senza dover mai scansionare nuovamente il paziente. Lo studio conferma che per il tipo più comune di tumore secernente ACTH, un'impostazione temporale molto breve crea un'immagine molto più chiara. Tuttavia, gli autori avvertono con cautela che si tratta di uno studio di fattibilità, il che significa che dimostra che il metodo funziona in un ambiente controllato, ma non prova ancora che l'uso di queste impostazioni in un vero ospedale porterà a migliori esiti chirurgici. Il passo successivo, che i ricercatori intendono intraprendere, è testare queste impostazioni ottimizzate direttamente sulle macchine MRI standard per vedere se possono migliorare la diagnosi nel mondo reale. Fino ad allora, questo studio fornisce una tabella di marcia vitale su come sintonizzare la macchina per vedere l'invisibile, offrendo la speranza che meno pazienti debbano attendere una diagnosi che è proprio fuori portata.