[embedyt] https://www.youtube.com/watch?v=vf5cIqebA_Y[/embedyt]
Aspecto em alvo nas imagens ponderadas em T2 e sinais de envolvimento vascular tumoral: valor diagnóstico para diferenciar CHC de outros carcinomas primários do fígado.
Cannella, R., Fraum, T.J., Ludwig, D.R. et al.
Eur Radiol (2021).
Disponível em: https://link.springer.com/article/10.1007/s00330-021-07743-x
Palavras-chave: Carcinoma hepatocelular, Colangiocarcinoma intra-hepático, Ressonância Magnética
Hipótese clínica: O aspecto em alvo nas imagens ponderadas em T2 e sinais de envolvimento vascular tumoral podem ser usados como critérios potenciais do LI-RADS para diferenciar CHC de malignidades não-CHC.
O que foi feito: O aspecto em alvo e sinais de invasão vascular tumoral foram comparados em colangiocarcinomas intra-hepáticos e combinação de hepato-colangiocarcinoma.
Como foi feito: Avaliação retrospectiva de 165 colangiocarcinomas intrahepáticos, 74 hepatocolangiocarcinomas e 136 CHC (grupo-controle). Aspecto em alvo e cinco critérios de invasão vascular tumoral (envolvimento circunferencial, estreitamento, retração, oclusão e obliteração) foram registradas, e suas sensibilidades e especificidades foram calculadas.
Achados e resultados: O aspecto em alvo nas imagens ponderadas em T2 é altamente específica para malignidades não-HCC (97,3%-98,2%). Retração e oclusão vascular são os mais específicos, entre os critérios de invasão vascular tumoral, para malignidades não-CHC (97,1%-100% e 99,3%, respectivamente). Em contrapartida, o envolvimento circunferencial e obliteração vascular tiveram as sensibilidades mais altas (34,3% -37,2% e 25,5% -29,7%, respectivamente).
Conclusão: O aspecto em alvo nas imagens ponderadas em T2, retração e oclusão vascular demonstraram alta especificidade para diferenciação de neoplasias não-CHC de CHC.
Implicações: O aspecto em alvo nas imagens ponderadas em T2 pode ser valioso como um potencial recurso de imagem LI-RADS para categoria LR-M.
Sistema de dados e laudos de imagem do fígado por ressonância magnética (LI-RADS) versão 2018: impacto e redução dos critérios auxiliares
van der Pol CB, Dhindsa K, Shergill R, Zha N, Ferri M, Kagoma YK, Lee SY, Satkunasingham J, Wat J, Tsai S.
Am J Roentgenol. (2021).
Disponível em: https://www.ajronline.org/doi/10.2214/AJR.20.23031
Palavras-chave: Carcinoma hepatocelular, Ressonância Magnética e Análise de sistema.
Hipótese clínica: Qual é o impacto dos critérios auxiliares do LI-RADS v2018 na ressonância magnética? E eles podem ser reduzidos sem prejudicar a acurácia do LI-RADS?
O que foi feito: A acurácia diagnóstica das categorias LI-RADS foi calculada com e sem recursos auxiliares. Algoritmos de Machine learning foram usados para identificar critérios auxiliares não contributivos.
Como foi feito: Avaliação retrospectiva de 222 observações hepáticas para a presença ou ausência de critérios principais e auxiliares na ressonância magnética de acordo com LI-RADS v2018. As categorias LI-RADS e sua respectiva acurácia diagnóstica com e sem critérios auxiliares foram determinadas. Algoritmos de Machine learning foram usados para identificar recursos auxiliares não contributivos e, em seguida, calcular as métricas de desempenho das categorias LI-RADS com base em diferentes combinações de critérios auxiliares.
Achados e resultados: A porcentagem de CHCs não diferiu significativamente com o uso dos critérios principais isoladamente e com a aplicação dos critérios auxiliares. Cinco critérios auxiliares foram identificados como não contribuintes: realce em coroa, nódulo-em-nódulo, arquitetura em mosaico, gordura na lesão ou focos hemáticos na lesão.
Conclusão: Vários critérios auxiliares podem ser removidos do LI-RADS v2018 para ressonância magnética sem comprometer sua acurácia.
Deep Learning com rede neural convolucional 3D para previsão não invasiva de invasão microvascular no carcinoma hepatocelular.
Zhang Y, Lv X, Qiu J, Zhang B, Zhang L, Fang J, Li M, Chen L, Wang F, Liu S, Zhang S.
J Magn Reson Imaging (2021).
Disponível em: https://doi.org/10.1002/jmri.27538
Palavras-chave: Carcinoma hepatocelular, Ressonância Magnética, Deep Learning, Invasão microvascular
Hipótese clínica: Previsão pré-operatória de invasão microvascular em CHC.
Como foi feito: Estudos de RM com contraste de 237 pacientes com CHC confirmado patologicamente após a ressecção cirúrgica foram usados como entrada para quatro modelos de deep Learning. Três modelos foram baseados em uma única sequência de RM e um quarto modelo de “fusão” combinando as três sequências de RM. Esses modelos foram usados para prever a presença ou ausência de invasão microvascular.
Achados e resultados: a maior acurácia preditiva foi alcançada pelo modelo de fusão; 71%, com sensibilidade de 55% e especificidade de 81% no conjunto de dados de validação.
Conclusão: Deep Learning pode ser usado para previsão pré-operatória de invasão microvascular em pacientes com CHC.
Análise automatizada de RM multiparamétrica / elastografia por RM para previsão de esteatohepatite não alcoólica.
Dzyubak B, Li J, Chen J, Mara KC, Therneau TM, Venkatesh SK, Ehman RL, Allen AM, Yin M.
J Magn Reson Imaging (2021).
Disponível em: https://doi.org/10.1002/jmri.27549
Palavras-chave: Elastografia por RM, DHGNA, PDFF, rigidez hepática.
Hipótese clínica: Análise automatizada de esteatose e rigidez hepática e previsão de DHGNA por RM.
O que foi feito: A análise manual da fração de gordura de densidade de prótons (PDFF) e rigidez do fígado em estudos de RM foi comparada com a análise baseada em machine learning totalmente automatizada. Outro modelo foi desenvolvido para prever DHGNA.
Como foi feito: Avaliação prospectiva de 83 pacientes adultos com obesidade com RM com elastografia (MRE) e RM com deslocamento químico (CS-MRI). Todos os pacientes foram submetidos a biópsia hepática para avaliação de DHGNA. PDFF e rigidez hepática foram calculados manualmente por dois radiologistas. Um algoritmo automatizado foi desenvolvido para seleção automatizada de região de interesse e cálculo de PDFF e rigidez do fígado. Outro modelo foi criado para prever DHGNA com diagnóstico de patologia baseado na rigidez e PDFF.
Achados e resultados: A concordância entre as medidas automatizadas e os leitores foi alta (R2 = 0,87 para rigidez e R2 = 0,99 para PDFF). A área sob a curva ROC para o modelo de previsão para DHGNA foi de 0,87.
Conclusão: DHGNA pode ser prevista usando um algoritmo de machine learning automatizado com base na rigidez do fígado e PDFF em MRE e CS-MRI, respectivamente.
References
