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

O cérebro é uma vasta rede de estradas, entregando constantemente combustível para manter em funcionamento os seus biliões de células. Numa condição chamada doença de Moyamoya, as principais autoestradas que levam ao cérebro estreitam-se lentamente e acabam por se fechar. Para sobreviver, o cérebro tenta construir desvios minúsculos e frágeis, mas estes são frequentemente insuficientes para lidar com o stress súbito. Os médicos precisam de saber quão bem o cérebro ainda consegue expandir o seu fluxo sanguíneo quando é desafiado, uma medida chamada reserva cerebrovascular. Se esta reserva for fraca, o risco de acidente vascular cerebral é elevado, e os médicos podem recomendar uma cirurgia complexa para redirecionar o sangue do couro cabeludo diretamente para o cérebro. Para verificar esta reserva, os pacientes submetem-se normalmente a um exame de ressonância magnética especial antes e depois de tomarem um medicamento que força os vasos sanguíneos a dilatar-se. Este fármaco, no entanto, não pode ser administrado a todos. Pessoas com certos problemas renais, alergias graves ou que estejam grávidas não podem tomá-lo. Para estes pacientes, o teste padrão torna-se impossível de completar, deixando os médicos sem uma peça crucial de informação necessária para planear uma cirurgia que salva vidas.

Uma equipa de investigadores da Universidade de Stanford explorou uma forma de colmatar esta lacuna utilizando inteligência artificial. Em vez de depender do fármaco para revelar como o fluxo sanguíneo do céreamente muda, treinaram um modelo computacional para prever como essa mudança seria, utilizando apenas o exame realizado antes de qualquer medicação ser administrada. Os investigadores concentraram-se num tipo específico de exame cerebral chamado rotulagem de espín arterial (arterial spin labeling), que atua como um marcador para mapear o fluxo sanguíneo sem utilizar corantes. Eles reuniram dados de 251 pacientes com doença de Moyamoya que tinham completado com sucesso o protocolo completo de dois exames, o que significa que o computador tinha tanto as imagens de "antes" como as de "depois" para aprender. O objetivo era ensinar a máquina a olhar para uma imagem de "antes" e gerar uma imagem de "depois" realista, simulando efetivamente o efeito do fármaco.

A equipa construiu um modelo computacional tridimensional, que denominaram CAE3D, concebido para processar todo o volume do cérebro de uma só vez, em vez de olhar para ele fatia por fatia. Testaram este novo modelo contra outras dez abordagens diferentes, incluindo algumas que tentavam imitar os padrões de ruído aleatório encontrados em geradores de imagem avançados e outras que utilizavam ferramentas pré-existentes de imagem médica. Os resultados mostraram que o novo modelo tridimensional era o mais preciso. Quando os investigadores compararam as previsões do computador com os exames de "depois" reais tirados dos pacientes, o novo modelo apresentou o menor número de erros na luminosidade pixel a pixel, com uma diferença média de apenas 0,066 numa escala de zero a um. Também preservou melhor os detalhes estruturais dos vasos sanguíneos do cérebro do que todos os outros métodos testados. O modelo foi capaz de prever o padrão geral das alterações do fluxo sanguíneo em todo o cérebro com um alto grau de consistência, mostrando quase nenhuma tendência sistemática para sobrestimar ou subestimar o fluxo.

No entanto, os investigadores foram cuidadosos ao notar os limites do que esta tecnologia pode fazer neste momento. Embora o modelo tenha excelido na previsão do padrão geral do fluxo sanguíneo, tendeu a suavizar as mudanças mais extremas nas áreas onde os vasos sanguíneos responderam fortemente ao fármaco. Isto significa que, embora o computador possa fornecer um quadro geral muito bom do que o céreber pareceria após a medicação, pode não capturar a intensidade total das reações mais dramáticas em cada ponto individual. Além disso, este estudo foi um teste retrospectivo, o que significa que o computador foi treinado e testado em pacientes que já tinham tomado o fármaco. O modelo ainda não foi comprovado como funciona em pacientes que nunca receberam a medicação devido a riscos de saúde. Os investigadores enfatizam que isto é uma prova de conceito, demonstrando que tal previsão é possível, mas não é ainda um substituto para o exame médico real num contexto clínico.

O estudo também revelou que modelos computacionais mais simples e diretos funcionaram melhor do que os geradores complexos baseados em ruído, frequentemente utilizados noutros tipos de criação de imagem. A equipa descobriu que o modelo tridimensional direto e simples, que aprendeu a relação direta entre os estados de antes e depois, superou os sistemas mais complicados que tentavam gerar imagens através de um processo de refinamento gradual. Isto sugere que, para esta tarefa médica específica, uma abordagem direta é mais fiável do que uma generativa. Os investigadores também testaram se o uso de ferramentas pré-treinadas de outros projetos de imagem médica ajudaria, mas descobriram que treinar um modelo especificamente para esta tarefa do zero produziu melhores resultados.

Em última análise, este trabalho oferece um caminho potencial para os pacientes que não podem realizar o desafio farmacológico padrão. Ao sintetizar o exame de "depois" em falta a partir do exame de "antes", esta tecnologia poderá, um dia, fornecer aos médicos a informação hemodinâmica de que necessitam para tomar decisões cirúrgicas para pacientes de alto risco. O estudo estabelece que é viável reconstruir estes mapas críticos de fluxo sanguíneo utilizando apenas a imagem de base, desde que o modelo seja rigorosamente testado e validado. Embora os resultados atuais sejam promissores, os autores afirmam que estender este método aos pacientes que realmente dele necessitam — aqueles que não podem tomar o fármaco — exigirá novos estudos e uma validação cuidadosa antes de poder ser utilizado para guiar o tratamento no mundo real.