Observar a radiação em tempo real pode tornar as terapias contra o câncer ainda mais precisas
Novo sistema de imagem capaz de fotografar os feixes de prótons e íons de carbono usados para atingir tumores com terapia de hádrons pode tornar o tratamento mais preciso
Chama-se INSIDE – Innovative Solution for Dosimetry in Hadrontherapy – o primeiro sistema bimodal do mundo, composto por um scanner PET e um marcador de partículas carregadas, capaz de monitorar em tempo real os íons de carbono e os feixes de prótons usados na hadronterapia oncológica, que alcança os tumores não operáveis e resistentes aos raios X. A experimentação em pacientes, com o objetivo de verificar de forma ainda mais eficaz os efeitos da quimioterapia nos tecidos tumorais e tornar o tratamento ainda mais preciso, foi iniciada pela Fundação CNAO – Centro Nacional de Hadronterapia Oncológica de Pavia, na Itália, juntamente com a Universidade de Roma “La Sapienza”, o Instituto Nacional de Física Nuclear (INFN) e o Departamento de Física da Universidade de Pisa, todos na Itália.
O estudo clínico envolverá 40 pacientes submetidos à terapia para o tratamento de meningiomas e tumores da região da cabeça e pescoço (carcinoma adenoide-cístico, cordoma de base e carcinoma nasofaríngeo). A hadronterapia oncológica usa feixes de prótons ou íons de carbono que, comparados aos raios X usados na radioterapia tradicional, têm a capacidade de liberar sua energia apenas perto da massa tumoral, minimizando o impacto sobre os tecidos saudáveis circundantes e reduzindo os efeitos colaterais.
O INSIDE é um equipamento posicionado próximo ao leito onde o paciente recebe o tratamento com hadronterapia e consiste em dois detectores (um sistema de imagem bi-modal, com um scanner para Tomografia por Emissão de Pósitrons e um marcador de partículas carregadas) capazes de medir as partículas secundárias produzidas durante o tratamento, deixando claro com um intervalo de tempo muito pequeno, onde a energia está sendo liberada e se o volume do tumor, após o tratamento, muda.
“A característica única do sistema INSIDE é a capacidade de monitorar tratamentos realizados com íons de carbono. Graças ao detector que projetamos, é possível detectar as radiações secundárias geradas pela interação de íons de carbono com os tecidos do paciente, a fim de monitorar o caminho do feixe em tempo real. Como parte da colaboração interdepartamental com o Grupo de Física de Radiações Aplicada coordenada pelo Dr. Vincenzo Patera e pelo Dr. Riccardo Faccini, também desenvolvemos algoritmos de reconstrução e análise de dados que permitem observar o que acontece enquanto o paciente está sendo tratado”, explica o Dr. Alessio Sarti, do Departamento de Engenharia Básica e Aplicada da Universidade de Roma.
A experimentação com os pacientes e o início do estudo clínico representam a segunda fase do projeto INSIDE, onde os dois detectores que compõem o sistema foram instalados em uma estrutura próxima ao leito onde o paciente recebe o tratamento com hadronterapia. A primeira fase do projeto INSIDE, que se concentrou na criação dos dois detectores, foi realizada entre 2013 e 2016.
Foi iniciado um estudo clínico observacional que consiste em testar o INSIDE em 40 pacientes submetidos à terapia de prótons, para o tratamento de meningiomas e carcinomas de células escamosas da nasofaringe, e com íons de carbono para o tratamento de carcinomas adenoide-císticos e cordomas da base do crânio. O plano de tratamento para essas doenças inclui 15 a 35 sessões de tratamento, uma por dia. O estudo clínico inclui de 3 a 4 medições com o novo sistema durante a primeira semana de tratamento, e depois uma medição por semana.
Com base nos achados do INSIDE e nos resultados de reavaliação, é possível observar as alterações morfológicas sofridas pela massa tumoral durante a terapia e, se necessário, revisar e atualizar o plano de tratamento para torná-lo ainda mais preciso.
Acesse a notícia na página da Universidade de Roma “La Sapienza” (em italiano).
Fonte: Tech4Health
- Published in Sem categoria
Aprendizado de máquina aplicado à Tomografia Computadorizada de baixa dose proporciona resultados superiores
Descobertas são forte argumento para aproveitar o poder da inteligência artificial na Tomografia Computadorizada
O aprendizado de máquina tem o potencial de avançar significativamente na geração de imagens médicas, particularmente na tomografia computadorizada (TC), reduzindo a exposição à radiação e melhorando a qualidade da imagem. As novas descobertas foram publicadas na revista científica Nature Machine Intelligence por engenheiros do Instituto Politécnico Rensselaer e radiologistas do Hospital Geral de Massachusetts e da Escola Médica de Harvard, nos Estados Unidos.
De acordo com a equipe de pesquisa, os resultados publicados no periódico são um forte argumento para aproveitar o poder da inteligência artificial para melhorar as tomografias com baixa dosagem. “A dose de radiação tem sido um problema significativo para pacientes submetidos a tomografias computadorizadas. Nossa técnica de aprendizado de máquina é superior, ou, no mínimo, comparável às técnicas iterativas usadas neste estudo para permitir uma TC de baixa dose de radiação ”, disse o Dr. Ge Wang, o Professor de Engenharia Biomédica da Rensselaer, e um dos autores da pesquisa. “É uma conclusão de alto nível que carrega uma mensagem poderosa. É hora do aprendizado de máquina decolar rapidamente e, com sorte, assumir o controle. ”
As técnicas de tomografia computadorizada de baixas doses têm tido um foco significativo nos últimos anos, em um esforço para aliviar as preocupações sobre a exposição do paciente à radiação de raios-X associada a exames de TC amplamente usados. No entanto, a diminuição da radiação pode diminuir a qualidade da imagem.
Para resolver isso, engenheiros em todo o mundo projetaram técnicas de reconstrução iterativa para ajudar a filtrar e remover interferências de imagens de TC. O problema, segundo o Dr. Wang, é que esses algoritmos às vezes removem informações úteis ou alteram falsamente a imagem.
A equipe decidiu enfrentar esse desafio persistente usando uma estrutura de aprendizado de máquina. Especificamente, eles desenvolveram uma rede neural profunda dedicada e compararam seus melhores resultados com o melhor que três scanners comerciais de TC poderiam produzir com técnicas de reconstrução iterativa. O trabalho foi realizado em colaboração com o Dr. Mannudeep Kalra, professor de radiologia do Hospital Geral de Massachusetts e Escola Médica de Harvard, que também foi um autor do artigo científico.
Os pesquisadores estavam procurando determinar como seria o desempenho de sua abordagem de aprendizagem profunda em comparação com os algoritmos iterativos representativos selecionados atualmente sendo usados clinicamente. Vários radiologistas avaliaram imagens de TC. Os algoritmos de aprendizagem profunda desenvolvidos pela equipe do Instituto Rensselaer tiveram desempenho tão bom quanto ou melhor do que as técnicas iterativas atuais na maioria dos casos, disse o Dr. Wang.
Os pesquisadores descobriram que seu método de aprendizagem profunda também é muito mais rápido e permite que os radiologistas ajustem as imagens de acordo com os requisitos clínicos, explicou o Dr. Mannudeep Kalra. Esses resultados positivos foram realizados sem acesso aos dados originais ou brutos de todos os scanners de TC.
O Dr. Wang disse que os resultados alcançados confirmam que o aprendizado de máquina profundo poderia ajudar a produzir imagens de TC mais seguras e precisas, ao mesmo tempo em que é mais rápido do que os algoritmos iterativos: “Estamos entusiasmados em mostrar à comunidade que os métodos de aprendizado de máquina são potencialmente melhores do que os métodos tradicionais”, conclui o especialista.
Acesse o resumo do artigo científico (em inglês).
Acesse a notícia completa na página do Instituto Politécnico Rensselaer (em inglês).
Fonte: Tech4Health
- Published in Sem categoria