82 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 estudo piloto demonstrou que o uso de escores de risco poligênico (PRS) em mulheres de 40 a 49 anos pode reestratificar as recomendações de rastreamento mamográfico para uma abordagem mais personalizada, sem aumentar a ansiedade das participantes.
O artigo descreve o protocolo de um ensaio clínico randomizado e controlado na Noruega que avalia se uma estratégia de leitura de mamografias apoiada por inteligência artificial, que ajusta o número de radiologistas conforme o risco, é não inferior ao método padrão de dupla leitura independente para a detecção de câncer de mama.
Este estudo exploratório demonstra que a imagem fotoacústica é uma técnica promissora e não invasiva para identificar alterações moleculares específicas nos músculos de pacientes com miopatia mitocondrial, oferecendo um potencial biomarcador para monitorar a progressão da doença sem a necessidade de biópsias.
Este estudo demonstra que a desconectividade funcional aumentada nas redes de substância branca intra-associada ao Transtorno do Espectro Autista está significativamente correlacionada com a gravidade dos sintomas sociais, oferecendo novos insights sobre os substratos neurais da condição.
Este estudo demonstra que um modelo de segmentação automatizada baseado em aprendizado por transferência com nnU-Net, pré-treinado em TOF-MRA e ajustado em dados de 4D Flow MRI, supera outros métodos de deep learning ao fornecer segmentações precisas que garantem quantificação hemodinâmica confiável, evidenciando a relação direta entre a acurácia da segmentação e a precisão das métricas hemodinâmicas derivadas.
Este estudo propõe um framework de difusão condicional otimizado para recursos, que gera imagens PET sintéticas a partir de tomografias computadorizadas (CT) para superar a falta de acesso a exames PET em áreas rurais, garantindo a precisão metabólica necessária para o rastreamento oncológico equitativo.
Este estudo prospectivo avaliou a viabilidade técnica e o desempenho quantitativo de sequências Dixon de 2, 3 e 6 pontos em dispositivos MR-Simulação e MR-Linac para a pelve e cabeça/pescoço, concluindo que a sequência de 6 pontos oferece a maior precisão e concordância para a quantificação de PDFF e R2*, sendo a mais adequada para futuras aplicações em biomarcadores e radioterapia adaptativa.
Este estudo de desenvolvimento tecnológico confirmou a viabilidade técnica da implementação da técnica 3D-QALAS em um MR-Linac de 1,5T para o cérebro, permitindo a aquisição de mapas quantitativos de T1, T2 e PD com resolução isotrópica de 1 mm em apenas sete minutos com alta precisão e reprodutibilidade.
Este estudo multicêntrico demonstra que a redução da profundidade de bits das radiografias torácicas de 16 para 8 bits não impacta significativamente o desempenho de modelos de aprendizado profundo na classificação de sexo, idade e obesidade, indicando que a conversão é segura para aplicações médicas visando maior eficiência no armazenamento e processamento de dados.
Este estudo demonstra que embeddings compactos e conscientes de máscaras, extraídos de um modelo de segmentação médica fundamental (MedSAM2) para imagens de PET/CT, quando combinados com dados clínicos, melhoram significativamente a estratificação de risco e a previsão da sobrevivência livre de progressão em pacientes com mieloma múltiplo, superando as abordagens tradicionais de radiômica e modelos baseados apenas em dados clínicos.