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

No complex cenário da saúde humana, a glândula pituitária é um órgão minúsculo, mas vital, frequentemente chamada de glândula mestra porque direciona a orquestra hormonal do corpo. Quando um tumor microscópico cresce nesta glândula e secreta excessivamente um hormônio chamado ACTH, ele desencadeia uma condição conhecida como doença de Cushing. Esta condição causa alterações físicas severas e riscos à saúde, tornando crítico para os médicos localizar o ponto exato do tumor antes da cirurgia. Por décadas, a ressonância magnética, ou RM, tem sido o padrão ouro para essa busca. No entanto, a tarefa é notoriamente difícil. O tumor é frequentemente menor que um grão de arroz e, após a injeção de um corante de contraste para tornar os tecidos visíveis, o tumor e a glândula saudável muitas vezes brilham com uma luminosidade semelhante. Essa falta de diferença faz com que o tumor se misture ao fundo, levando a diagnósticos perdidos em um número significativo de casos. Quando um cirurgião não consegue encontrar o tumor, o paciente pode enfrentar exames repetidos, tratamento atrasado ou até mesmo a remoção desnecessária de ambas as glândulas adrenais.

Pesquisadores sabem há muito tempo que as configurações usadas para tirar uma imagem de RM podem mudar a aparência dos tecidos. Especificamente, o tempo entre os pulsos de radiofrequência, conhecido como tempo de repetição, e o tempo de captura do sinal, conhecido como tempo de eco, determinam o contraste entre diferentes tecidos. Na RM tradicional, essas configurações ficam travadas uma vez que o exame começa. Se as configurações iniciais não mostrarem o tumor claramente, o paciente deve passar por outro exame com configurações diferentes, o que leva mais tempo e o expõe a mais radiação ou corante de contraste. Uma tecnologia mais nova chamada RM sintética tenta resolver isso capturando uma vasta quantidade de dados brutos em um único exame. A partir desses dados, computadores podem gerar imagens com qualquer combinação de configurações de tempo após o paciente ter saído da máquina. Ao adicionar o aprendizado profundo, uma forma de inteligência artificial que limpa o ruído e refina os detalhes, esta tecnologia promete criar imagens de alta qualidade sem a necessidade de novos exames.

Uma equipe de pesquisadores do Hospital de Medicina Tradicional Chinesa de Dianjiang e do Hospital de Colégio Médico Unificado de Pequim estabeleceu-se para testar se esta nova abordagem poderia finalmente resolver o problema de encontrar esses tumores esquivos. Eles se concentraram em um grupo específico de pacientes que já haviam sido diagnosticados com doença de Cushing e cujos tumores foram removidos cirurgicamente e confirmados por patologia. O estudo envolveu quarenta e nove pacientes que foram submetidos a um exame de RM especializado usando a técnica de RM sintética de aprendizado profundo. Em vez de apenas olhar para as imagens que a máquina produz por padrão, os pesquisadores usaram o computador para sintetizar dezesseis versões diferentes do exame, cada uma com uma combinação única de configurações de tempo. Eles então mediram o quão claramente o tumor se destacava contra a glândula saudável em cada versão.

Os resultados revelaram um padrão claro e surpreendente. Para a grande maioria dos pacientes, cujos tumores pareciam mais escuros do que o tecido saudável circundante após a injeção do corante de contraste, as melhores imagens não foram as que possuíam configurações padrão. Em vez disso, os tumores tornaram-se mais visíveis quando os pesquisadores utilizaram um tempo entre pulsos muito curto. Nessas imagens otimizadas, o contraste entre o tumor e a glândula melhorou quase noventa por cento em comparação com as configurações padrão. Os tumores, que anteriormente eram tênues e difíceis de distinguir, tornaram-se nítidos e distintos. Os pesquisadores descobriram que esse aumento de visibilidade foi mais pronunciado quando o tempo entre os pulsos foi definido em 100 milissegundos e a captura do sinal foi definida entre 5 e 8 milissegundos. Embora o brilho geral da imagem tenha caído ligeiramente com essas configurações, a diferença de brilho entre o tumor e a glândula aumentou tanto que o tumor tornou-se muito mais fácil de visualizar.

O estudo também observou um grupo menor de sete pacientes cujos tumores pareciam mais brilhantes do que o tecido circundante. Nestes casos, a alteração das configurações de tempo não fez uma diferença significativa na visibilidade. Essa distinção é importante porque sugere que a nova técnica é especificamente poderosa para o tipo de tumor mais comum e difícil de encontrar. Os pesquisadores tiveram dois radiologistas especialistas revisarem as imagens sem saber quais configurações foram utilizadas. Os médicos consistentemente classificaram as imagens com o tempo curto como excelentes, observando que os limites dos tumores eram nítidos e as lesões eram fáceis de detectar. Em contraste, as imagens com configurações padrão ou tempos mais longos foram classificadas como razoáveis ou ruins, com os tumores frequentemente parecendo borrados ou indistinguíveis do tecido saudável.

Este trabalho representa um avanço técnico na forma como as imagens de RM podem ser processadas após serem tiradas. Os pesquisadores demonstraram que, ao usar a RM sintética de aprendizado profundo, é possível encontrar as configurações perfeitas para tornar um tumor oculto visível sem nunca ter que realizar um novo exame no paciente. O estudo confirma que, para o tipo mais comum de tumor secretor de ACTH, uma configuração de tempo muito curta cria uma imagem muito mais clara. No entanto, os autores tomam o cuidado de notar que este é um estudo de viabilidade, o que significa que prova que o método funciona em um ambiente controlado, mas ainda não prova que o uso dessas configurações em um hospital real levará a melhores resultados cirúrgicos. O próximo passo, que os pesquisadores planejam realizar, é testar essas configurações otimizadas diretamente em máquinas de RM padrão para ver se podem melhorar o diagnóstico no mundo real. Até lá, este estudo fornece um roteiro vital sobre como ajustar a máquina para ver o invisível, oferecendo esperança de que menos pacientes terão que esperar por um diagnóstico que está apenas fora de alcance.