Synthesizing Post-Acetazolamide Cerebral Blood Flow Maps from Baseline MRI in Moyamoya Using 3D Generative AI

De hersenen zijn een uitgestrekt netwerk van wegen die constant brandstof leveren om de miljarden cellen draaiende te houden. Bij een aandoening genaamd Moyamoya-ziekte vernauwen de belangrijkste snelwegen die naar de hersenen leiden langzaam en sluiten ze uiteindelijk af. Om te overleven, probeert de hersenen kleine, kwetsbare omleidingen aan te leggen, maar deze zijn vaak niet voldoende om plotselinge stress op te vangen. Artsen moeten weten hoe goed de hersenen hun bloedstroom nog kunnen uitbreiden wanneer ze worden uitgedaagd, een maatstaf die cerebrovasculaire reserve wordt genoemd. Als deze reserve zwak is, is het risico op een beroerte groot, en kunnen artsen een complexe operatie aanbevelen om bloed vanuit de hoofdhuid rechtstreeks naar de hersenen om te leiden. Om deze reserve te controleren, ondergaan patiënten meestal een speciale magnetische resonantiebeeldvormingsscan voor en na het innemen van een medicijn dat de bloedvaten dwingt om te verwijden. Dit medicijn kan echter niet aan iedereen worden gegeven. Mensen met bepaalde nierproblemen, ernstige allergieën of die zwanger zijn, kunnen dit medicijn niet nemen. Voor deze patiënten is de standaardtest onmogelijk te voltooien, waardoor artsen zonder een cruciaal stuk informatie komen te staan dat nodig is voor het plannen van een levensreddende operatie.

Een team van onderzoekers aan Stanford University heeft een manier verkend om dit gat te vullen met behulp van kunstmatige intelligentie. In plaats van te vertrouwen op het medicijn om te onthullen hoe de bloedstroom in de hersenen verandert, trainden ze een computermodel om te voorspellen hoe die verandering eruit zou zien, met alleen de scan die is gemaakt voordat er enige medicatie wordt toegediend. De onderzoekers concentreerden zich op een specifiek type hersenscan genaamd arterial spin labeling, wat werkt als een tracer om de bloedstroom in kaart te brengen zonder kleurstoffen te gebruiken. Ze verzamelden gegevens van 251 patiënten met de Moyamoya-ziekte die het volledige proces van twee scans succesvol hadden voltooid, wat betekent dat de computer zowel de "voor"- als de "na"-beelden had om van te leren. Het doel was om de machine te leren om naar een "voor"-beeld te kijken en een realistisch "na"-beeld te genereren, waarmee effectief het effect van het medicijn wordt gesimuleerd.

Het team bouwde een driedimensionaal computermodel, dat ze CAE3D noemden, ontworpen om het gehele volume van de hersenen in één keer te verwerken in plaats van het plakje voor plakje te bekijken. Ze testten dit nieuwe model tegen tien andere verschillende benaderingen, waaronder enkele die probeerden de willekeurige ruispatronen na te bootsen die te vinden zijn in geavanceerde beeldgeneratoren en andere die bestaande medische beeldtools gebruikten. De resultaten lieten zien dat het nieuwe driedimensionale model het meest nauwkeurig was. Wanneer de onderzoekers de voorspellingen van de computer vergeleken met de werkelijke "na"-scans die van de patiënten zijn genomen, maakte het nieuwe model de minste fouten in helderheid per pixel, met een gemiddeld verschil van slechts 0,066 op een schaal van nul tot één. Het behield ook de structurele details van de bloedvaten in de hersenen beter dan alle andere geteste methoden. Het model was in staat om het algemene patroon van bloedstroomveranderingen over de hele hersenen met een hoge mate van consistentie te voorspellen, waarbij het bijna geen systematische neiging vertoonde om de doorbloeding te overschatten of te onderschatten.

De onderzoekers merkten echter voorzichtig op wat de beperkingen zijn van wat deze technologie op dit moment kan doen. Hoewel het model uitblonk in het voorspellen van het algemene patroon van de bloedstroom, had het de neiging om de meest extreme veranderingen af te vlakken in gebieden waar de bloedvaten sterk reageerden op het medicijn. Dit betekent dat hoewel de computer een zeer goed algemeen beeld kan geven van hoe de hersenen er na het medicijn uitzien, het mogelijk niet de volledige intensiteit van de meest dramatische reacties in elk afzonderlijk punt kan vastleggen. Bovendien was deze studie een retrospectieve test, wat betekent dat de computer werd getraind en getest op patiënten die al het medicijn hadden ingenomen. Het model is nog niet bewezen te werken bij patiënten die nooit het medicijn hebben gekregen vanwege gezondheidsrisico's. De onderzoekers benadrukken dat dit een proof of concept is, die aantoont dat een dergelijke voorspelling mogelijk is, maar dat het nog geen vervanging is voor de werkelijke medische scan in een klinische setting.

De studie onthulde ook dat eenvoudigere, directere computermodellen beter werkten dan de complexe, op ruis gebaseerde generatoren die vaak in andere soorten beeldcreatie worden gebruikt. Het team vond dat het eenvoudige driedimensionale model, dat de directe relatie tussen de voor- en nastaat leerde, beter presteerde dan de meer ingewikkelde systemen die probeerden beelden te genereren via een proces van geleidelijke verfijning. Dit suggereert dat voor deze specifieke medische taak een directe aanpak betrouwbaarder is dan een generatieve aanpak. De onderzoekers testten ook of het gebruik van vooraf getrainde tools uit andere medische beeldvormingsprojecten zou helpen, maar stelden vast dat het vanaf het begin trainen van een model specifiek voor deze taak betere resultaten opleverde.

Uiteindelijk biedt dit werk een potentieel pad vooruit voor patiënten die het standaard medicijn-onderzoek niet kunnen ondergaan. Door de ontbrekende "na"-scan te synthetiseren uit de "voor"-scan, kan deze technologie er op een dag voor zorgen dat artsen de hemodynamische informatie krijgen die ze nodig hebben om beslissingen over chirurgie te nemen voor hoog-risicopatiënten. De studie stelt vast dat het haalbaar is om deze cruciale bloedstroomkaarten te reconstrueren met alleen basisafbeeldingen, mits het model rigoureus wordt getest en gevalideerd. Hoewel de huidige resultaten veelbelovend zijn, stellen de auteurs dat het uitbreiden van deze methode naar de patiënten die het daadwerkelijk nodig hebben — zij die het medicijn niet kunnen nemen — nieuwe studies en zorgvuldige validatie vereist voordat het kan worden gebruikt om de behandeling in de echte wereld te begeleiden.