Introduzione

Le lesioni polmonari, spesso identificate in modo accidentale sull'imaging toracico o durante la lavorazione per i sintomi respiratori, rappresentano un ampio spettro di patologie che vanno dalle infezioni benigne polpatiche ai neoplasie maligni. La distinzione tra le lesioni infettive e non infettive dell'occhio è una pietra angolare della radiologia toracica, influenzando direttamente le decisioni cliniche come la necessità di terapia antimicrobica, ulteriore sorveglianza dell'imaging o bioptica.

Comprendere le lesioni polmonari infettive e non infettive

Le lesioni polmonari sono definite come aree focali di maggiore densità o o opacità all'interno del parenchima polmonare, tipicamente visibili su CT o raggi X. Si presentano da diverse etiologie che rientrano in larga parte in due categorie: infettive e non infettive.

Lesioni infettive

Le lesioni polmonari infettive sono causate da agenti patogeni come batteri, virus, funghi e micobatteri. Le polmonite batteriche spesso presentano come consolidamento lombare con broncogrammi d'aria, mentre le polmonite virali possono manifestarsi come opacità di vetro di terra e il coinvolgimento di caviglia multilobar.

Lesioni non infettive

Le cause non infettive includono tumori polmonari primari e metastatici, neoplasie benigne, condizioni autoimmuni (ad esempio, sarcoidosi, noduli reumatidi), e processi infiammatori come l'organizzazione di polmonite o fibrosi polmonare.

Tecniche di elaborazione delle immagini per la differenziazione delle lesioni

L'elaborazione delle immagini comprende una serie di metodi computazionali che valorizzano, segmentano, quantificano e classificano le anomalie nelle immagini mediche. Nel contesto delle lesioni polmonari, queste tecniche estrae caratteristiche oggettive, riproducibili che aiutano a distinguere le origini infettive.

Segmentazione

Le categorie di segmentazione dei polmoni, i vasi e le pareti del torace. Gli algoritmi semi-automati e completamente automatizzati (ad esempio, la crescita della regione, i set di livello e le reti neurali convoluzionali) delineano i confini delle lesioni, consentendo l'analisi volumetrica e morfometrica.

Analisi della texture e radiomi

Analisi dei caratteri di omogeneità che caratterizzano la disposizione spaziale delle intensità dei pixel all'interno della lesione. Le statistiche di primo ordine (mea, varianza, schewness, kurtosis) descrivono l'istogramma generale di migliaia di caratteri di secondo ordine (ad esempio, matrice di co-occurrenza di livello grigio, GLCM) catturano modelli locali come il contrasto, l'omogeneità e l'entropia.

Apprendimento della macchina e Apprendimento profondo

I sistemi di apprendimento delle macchine (supporto vettoriale, foreste casuali, XGBost) sono formati su caratteristiche radiomiche per distinguere i tipi di lesioni. L'apprendimento approfondito, in particolare le reti neurali convoluzionali (CNN), può imparare caratteristiche discriminanti direttamente dalle patch delle immagini, ignorando l'ingegneria delle caratteristiche esplicite.

Caratteristiche principali Differenziazione Infettiva da leoni non infettive

Gli algoritmi di elaborazione delle immagini si basano su una serie di caratteristiche di imaging che, quando quantificato, aiutano a separare le due categorie.

Caratteristiche di lesioni infettive

  • L'organizzazione e le opacità di vetro terra (GGO): Le polmonite infettive causano spesso il riempimento dello spazio aereo, portando al consolidamento denso con broncogrammi d'aria (bronchi riempiti d'aria circondati da polmone opaco).
  • Cavitazione:[] La necrosi all'interno di una lesione può produrre cavità. Le lesioni infettive, le cavità possono avere pareti spesse e irregolari (ad esempio, tubercolosi, ascesso) o pareti sottili (ad esempio, infezioni fungine). La presenza di livelli di flusso d'aria suggerisce l'infezione pyogenica.
  • Modello a tre in-bud:[] Noduli centrilobari con impunture lineari che rappresentano la diffusione endobronchiale dell'infezione, altamente suggestivi della bronchiolite infettiva (ad esempio, tubercolosi, mycoplasma).
  • L'alo di vetro terra perimetrale: L'opacità di vetro terrestre che circonda un nodulo (segno di alo) è spesso vista con aspergillosi invasiva e altre infezioni fungine, ma anche con metastasi emorragiche e alcuni tumori primari.
  • Multiplicity and distribution: Le lesioni infettive appaiono spesso in multipli, con una distribuzione casuale o broncovascolare. Le lesioni cavitariche nei lobi superiori sono classiche per la tubercolosi, mentre la prevalenza inferiore dello lobo suggerisce la polmonite batterica.

Caratteristiche di lesioni non infettive

  • I margini e la lobulation a forma di stella sono segni di lesioni maligne dovute alla reazione desmoplastica. La lobulation indica una crescita irregolare. Le lesioni non infettive benigne (ad esempio, hamartoma) di solito hanno margini lisci e ben definiti.
  • Growth nel tempo:[ Le lesioni maligne aumentano tipicamente di dimensioni sull'imaging seriale (volume raddoppiando il tempo 30-400 giorni). Le lesioni infettive possono risolvere o cambiare più rapidamente con il trattamento, ma i granuloma cronici possono rimanere stabili per anni.
  • Miglioramento e necrosi eterogeneo:[ I tumori maligni mostrano spesso un aumento irregolare, periferica con necrosi centrale, ma tale necrosi può verificarsi anche nelle infezioni cavitarie. Il grasso o la calcificazione è fortemente suggestiva di lesioni non infettive benigne (ad esempio, hamartoma con calcificazione del popcorn).
  • Effetto e invasione del viso:[ Le maligne non infettive possono causare la distorsione del bronchiolo, la retrazione pleurale o l'invasione della parete toracica, mentre le infezioni puri raramente producono tali effetti a meno che non siano complicate da un ascesso.

Sovrapposizione e Pitfalls diagnostici

I dati di formazione non sono stati identificati con l'ipercrisi, ma sono stati identificati con l'uso di un tumore al cancro al seno.

Applicazioni cliniche e impatto sulla gestione dei pazienti

L'integrazione dell'elaborazione delle immagini nei flussi di lavoro clinici ha benefici tangibili per la cura del paziente. Nelle impostazioni in cui le risorse radiologiche interventistiche sono limitate, la differenziazione accurata non invasiva può impedire biopsie inutili e i loro rischi associati (pneumotorace, emorragia).

Le piattaforme software commerciali e di ricerca ora incorporano modelli di radiomica e AI per la classificazione dei noduli polmonari. Ad esempio, l'uso di un modello radiomico basato su CT convalidato per differenziare i granuloma tubercolosi dal cancro ai polmoni di primo stadio può ridurre i referrals falsi-positivi fino al 43% nelle regioni tubercolosi-endemiche.

Un'altra applicazione chiave è nella screening del cancro. I programmi di screening del cancro al polmone a bassa dose generano molti noduli incidentali, la maggior parte dei quali sono benigni (granimi infettivi, linfonodi intrapolmonari, ecc.).

Sfide e direzioni future

Nonostante la sua promessa, l'elaborazione delle immagini per la differenziazione delle lesioni polmonari affronta diversi ostacoli. In primo luogo, la mancanza di datasets standardizzati e grandi annotati per la formazione e la validazione di diverse popolazioni e tipi di scanner può portare a degradazione del modello quando è stato distribuito in nuove istituzioni.

I modelli di apprendimento profondo spesso funzionano come "scatole nere", rendendo difficile per i medici di fidarsi dei loro risultati. Gli sforzi sono in corso per generare mappe di salienza e spiegazioni basate sull'attenzione che evidenziano le regioni di immagine che guidano la classificazione.

Le direzioni future includono la fusione di dati multimodali: combinando le caratteristiche dell'immagine CT con variabili cliniche, i marcatori di laboratorio (ad esempio, la procalcitonina, il CRP, il numero completo di sangue), e anche i dati genomici per la biopsia liquida.

Conclusioni

La gestione delle immagini è diventata uno strumento indispensabile nell'arsenale del radiologo per differenziare le lesioni polmonari non infettive infettive, attraverso la segmentazione, l'analisi delle texture, la radiomica e l'apprendimento automatico, i biomarcatori di imaging quantitativo possono scoprire le sottili differenze nella morfologia, l'eterogeneità e la valorizzazione che non sono percepite in modo affidabile dall'occhio umano.