Progresele arhitecturilor avansate de AI în detectarea meningiomelor pe scanările RMN
Meningiomele reprezintă cele mai frecvente tipuri de cancer cerebral, provenind din țesutul moale care protejează creierul, cunoscut sub numele de meninge. Identificarea și conturarea precisă a acestor tumori în scanările RMN sunt esențiale pentru diagnosticarea timpurie, planificarea tratamentului și monitorizarea ulterioară. Procesul manual este consumator de timp, variază de la un medic la altul și este deosebit de dificil în cazul tumorilor mici sau neregulate. Apariția inteligenței artificiale (AI), în special a învățării profunde (DL), a permis realizarea acestei sarcini în mod automat, îmbunătățind viteza, consistența și utilizabilitatea în diferite spitale și sisteme de imagistică.
O echipă de cercetători de la Universitatea din Auckland, de la Spitalul Auckland City și de la Matai Medical Research Institute din Noua Zeelandă a revizuit 34 de articole referitoare la utilizarea AI pentru delimitarea meningiomelor din imaginile RMN, publicate între 2020 și 2025. Aceștia au analizat progresele actuale în acest domeniu, factorii care contribuie la dezvoltarea unui model AI eficient și modalitățile prin care limitările modelelor existente pot fi îmbunătățite, pentru a genera un model utilizabil cu resursele disponibile în spitale la nivel mondial. Rezultatele au fost publicate în jurnalul Brain Network Disorders, disponibil online pe 13 februarie 2026, și în volumul 2, numărul 1, pe 26 martie 2026.
„Modelele AI mai avansate au contribuit clar la îmbunătățirea delimitării tumorilor în timp, performanțele lor devenind mai bune și mai consistente”, afirmă Dr. Hamid Abbasi, autor principal, cercetător senior și investigator principal în cadrul Auckland Bioengineering Institute și Center for Brain Research de la Universitatea din Auckland. „Dar modul în care s-au îmbunătățit a fost surprinzător. Modelele mai inteligente contează mai mult decât datele suplimentare sau scanările mai bune”, explică acesta. Studiile au folosit imagini RMN din diverse repozitorii, precum Figshare și BraTS, dar multe au depins încă de seturi personalizate de date provenite de la spitale. „RMN T1 cu contrast” s-a dovedit a fi cea mai eficientă și utilizată metodă de imagistică pentru detectarea meningiomelor. Totuși, indiferent de numărul, calitatea sau tipul imaginilor RMN utilizate pentru instruirea modelului, arhitectura mai bună a modelului a rămas principalul factor care a determinat o performanță mai bună.
Precizia și robustețea modelelor de segmentare sunt evaluate frecvent printr-o metrică numită „Dice score”, care cuantifică suprapunerea spațială între segmentarea prezisă și annotarea de referință, fiind utilizată aici pentru a compara performanța modelelor AI incluse în această revizuire. Modelele au fost clasificate în 3 categorii în funcție de scorul Dice. Cele mai eficiente modele, cu scoruri între 0.9 și 1, au fost grupate în „tier 1”. Acestea erau în mare parte modele hibride, cu caracteristici suplimentare și arhitecturi îmbunătățite. Dintre acestea, modelul de top a fost „DeepLabV3+”, cu un scor de 0.98, dezvoltat pe baza unui set mare de date format din 3064 imagini dintr-o bază de date numită „Figshare”. Acestea au oferit rezultate foarte precise, dar erau foarte solicitante din punct de vedere computațional. Modelele din „tier 2”, precum „2D U-Net”, cu un scor de aproximativ 0.8 până la 0.9 Dice, au oferit cel mai bun echilibru între precizie și eficiență. Modelele din „tier 3” (de exemplu, SDAN) erau mai ușoare, concepute pentru viteză și consum redus de resurse, având o precizie mai mică de 0.82 Dice.
„Modelele mai noi au o capacitate mai bună de delimitare a tumorilor, oferind rezultate mai consistente și o performanță mai rapidă, cu unele raporturi generate în doar 15 secunde, ceea ce nu este posibil pentru oameni”, declară Nima Sadeghzadeh, autor principal.
Rămân câteva provocări. Tumorile mai mici de 3 mL sunt uneori omise. De asemenea, cerințele computaționale ridicate pot să nu fie viabile pentru medii cu resurse limitate. În plus, modelele nu sunt încă generalizabile în toate spitalele. Cercetările viitoare, axate pe modele AI care funcționează bine în diverse spitale și seturi de date, precum și pe îmbunătățirea eficienței acestora pentru condițiile clinice reale, vor contribui la accelerarea adoptării lor la nivel mondial.
