64 artigos
A área de Radiologia e Imagem médica representa os olhos modernos da ciência, permitindo que os profissionais visualizem o interior do corpo humano sem necessidade de cirurgias invasivas. Desde ressonâncias magnéticas detalhadas até tomografias computorizadas rápidas, essas tecnologias são fundamentais para diagnosticar doenças com precisão e planejar tratamentos eficazes. No Gist.Science, buscamos tornar esses avanços compreensíveis para todos, transformando descobertas complexas em informações claras e úteis.
Nesta categoria, você encontrará as mais recentes descobertas provenientes do medRxiv, o principal repositório de pré-publicações médicas. Processamos automaticamente cada novo estudo publicado lá, oferecendo não apenas resumos técnicos aprofundados para especialistas, mas também versões em linguagem simples para que qualquer pessoa possa entender a importância da pesquisa. Abaixo, apresentamos a seleção mais recente de artigos sobre radiologia e imagem que acabaram de chegar ao nosso sistema.
Este artigo apresenta uma estrutura de calibração utilizando projeções axissimétricas e amostragem esparsa para otimizar os coeficientes de atenuação do crânio, melhorando, assim, a precisão das simulações acústicas e das avaliações de segurança para a neuromodulação por ultrassom focalizado dinâmico através da janela temporal em 157 indivíduos.
Este estudo apresenta um modelo robusto de aprendizado profundo híbrido CNN-Transformer que integra eficazmente imagens de ultrassom de múltiplas vistas para alcançar uma precisão superior na diferenciação entre tumores de mama benignos e malignos em comparação com os métodos convencionais de análise de imagem única.
Este estudo demonstra que, embora os modelos de fundação para IA de radiografia de tórax apresentem graus variados de robustez a parâmetros de aquisição como o tipo de incidência, suas vantagens de desempenho são frequentemente específicas de cada conjunto de dados e falham em generalizar para validação externa, revelando que os vieses técnicos persistem independentemente da arquitetura do modelo ou da escala de treinamento.
Esta revisão sistemática de 31 estudos de 2022 a 2025 demonstra que modelos de aprendizado profundo, particularmente arquiteturas U-Net avançadas para segmentação e classificadores baseados em características para diagnóstico, alcançam alta precisão na análise de gliomas em RM multiparamétrica, embora o campo exija mais IA explicável para garantir a confiança e a adoção clínica.