Fazer uma ressonância magnanãtica pode ser uma experiência desagrada¡vel. O procedimento geralmente envolve um paciente deitado dentro de um tubo grande por pelo menos 30 minutos e sendo instrua­do a permanecer ima³vel, pois as ondas magnanãticas e de ra¡dio criam imagens detalhadas de seus órgãos. Muitos acham os rua­dos altos e estridentes da ma¡quina irritantes e ficam em pa¢nico e claustrofa³bicos.

Uma abordagem criada por Puyang Wang, um candidato a doutorado em engenharia elanãtrica e de computadores na Whiting School of Engineering da Johns Hopkins University , poderia ajudar a fornecer algum ala­vio. A solução, um algoritmo que acelera a aquisição de dados de ressonância magnanãtica e resulta em imagens mais na­tidas, estava entre os projetos reconhecidos na competição fastMRI realizada no ini­cio deste maªs pela Facebook AI e pela Langone Health da Universidade de Nova York. Os projetos de dois outros grupos - um da empresa de eletra´nicos Philips e outro da Universidade de Amsterda£ - foram homenageados juntamente com a pesquisa de Wang como a mais forte em um campo de 34 candidatos.

A competição desafiou os participantes a usar inteligaªncia artificial, ou IA, para melhorar o processo de obtenção de exames de ressonância magnanãtica. A esperana§a era que, usando a IA para criar imagens precisas com significativamente menos dados brutos do que o necessa¡rio para uma ressonância magnanãtica tradicional, as digitalizações pudessem ser feitas até10 vezes mais rápido, melhorando a experiência do paciente e tornando o procedimento de imagem mais barato e mais acessa­vel.

"Foi um desafio muito emocionante para mim", disse Wang, que, como um dos vencedores da competição, apresentara¡ sua pesquisa no workshop Medical Imaging Meets NeurIPS em Vancouver no sa¡bado. "O que eu gosto éque éuma maneira muito direta de ajudar a indústria médica. Esse algoritmo pode ser facilmente aplicado a s ma¡quinas de ressonância magnanãtica. a‰ emocionante fazer esse trabalho e ver que a aplicação no mundo real poderia ajudar muitas pessoas." "

Wang iniciou essa pesquisa durante um esta¡gio de vera£o na United Imaging Intelligence em Cambridge, Massachusetts. Ao retornar ao campus de Homewood da JHU no semestre, ele continuou a otimizar a solução para o desafio em colaboração com cientistas da United Imaging Intelligence e com o apoio de seu orientador, Vishal Patel , professor assistente do Departamento de Engenharia Elanãtrica e de Computação .

Wang desenvolveu um algoritmo usando um manãtodo de aprendizado profundo chamado redes neurais recorrentes que cria imagens mais na­tidas a partir de varreduras parciais, uma abordagem comum para acelerar a aquisição de dados de ressonância magnanãtica, fazendo menos medições. Tradicionalmente, as digitalizações parciais produzem imagens abaixo da média que são difa­ceis de analisar. No entanto, usando o algoritmo de Wang, os radiologistas podem obter resultados claros enquanto reduzem consideravelmente o procedimento de um paciente.

Wang estãoparticularmente empolgado com o fato de os radiologistas terem aprovado sua abordagem. Especialistas na área contribua­ram para a pontuação na competição "fastMRI", e o algoritmo de Wang recebeu notas muito altas, o que desempenhou um papel fundamental ao ser selecionado como um dos melhores participantes.

Embora o projeto não tenha se originado na Johns Hopkins, Patel e Wang disseram acreditar que Hopkins éo local ideal para leva¡-lo ao pra³ximo na­vel. Patel prevaª que esse algoritmo, ou que seja muito parecido, seja implementado em uma variedade de técnicas médicas, incluindo ultra-sonografia e sonar. Sua esperana§a éque eles consigam melhorar o desempenho dos sistemas de imagem além das ressona¢ncias magnanãticas.

"Hopkins éo melhor lugar para esse tipo de pesquisa porque temos uma das melhores escolas de medicina e somos capazes de colaborar com elas", disse Patel. "Estamos ansiosos para continuar nossa pesquisa nessa direção e resolver alguns problemas interessantes. A ressonância magnanãtica éo primeiro problema que tentamos e são vai melhorar".