Vuoi collaborare con noi?
Con un impegno crescente:
Autore/Autori: Santo Dellegrottaglie
Relazioni storiche – Congresso 2026
Santo Dellegrottaglie spiega perché la risonanza magnetica cardiaca, con migliaia di immagini multiparametriche per esame, è un terreno naturale per l’intelligenza artificiale. Ripercorre il workflow della metodica mostrando le applicazioni già disponibili: pianificazione automatica dei piani cardiaci, acquisizione accelerata in respiro libero con deep learning, ricostruzione con migliore rapporto segnale-rumore e segmentazione ventricolare in pochi secondi. Discute radiomica e fenotipizzazione dello scompenso, i limiti di esplicabilità, generalizzabilità e responsabilità, e i dati di una survey della Società Italiana di Cardiologia sul sottoutilizzo della metodica. Conclude che l’intelligenza artificiale deve potenziare, non sostituire, il ragionamento clinico.
| Anno | |
|---|---|
| Autore | |
| Tag | accuratezza, imaging, intelligenza artificiale, limiti, prognosi, referto, rm, scompenso, tecnologia |
La risonanza magnetica cardiaca è un campo di applicazione naturale per l’intelligenza artificiale, che funziona particolarmente bene quando ha a disposizione grandi quantità di dati: ogni esame produce tra 1.500 e 3.000 immagini, ottenute con diverse tecniche di acquisizione che esplorano i vari aspetti della fisiopatologia cardiaca con un approccio multiparametrico e largamente quantitativo. La relazione ripercorre il workflow della metodica per individuare i punti in cui l’intelligenza artificiale è già oggi di aiuto.
Le criticità del workflow riguardano ogni fase: la pianificazione del protocollo sulla base dell’indicazione clinica, che richiede competenza ed esperienza del tecnico di radiologia; l’acquisizione, che dipende dalla collaborazione del paziente nelle apnee espiratorie e da un ritmo cardiaco stabile; la ricostruzione, in cui occorre mediare tra risoluzione spaziale, velocità, rumore e artefatti; la post-elaborazione, gravata da variabilità interosservatore e dalla scarsità di operatori esperti. Ne deriva una disponibilità della metodica molto variabile tra paesi e tra regioni dello stesso paese.
Sistemi di intelligenza artificiale assistono la pianificazione identificando automaticamente i punti di repere anatomici e acquisendo i piani cardiaci standard. Per ridurre la durata dell’esame (30-40 minuti) si sviluppano protocolli brevi, sequenze multiparametriche (cine con late gadolinium enhancement) e imaging real-time; reti di deep learning applicate ai dati grezzi consentono cine in asse corto in respiro libero, una fetta per battito, invece di 11 secondi di apnea per fetta. Il deep learning migliora anche la ricostruzione e la segmentazione ventricolare, che passa da 5-10 minuti a pochi secondi con revisione dell’operatore, se i casi corrispondono al dataset di allenamento. La radiomica estrae centinaia di parametri per fenotipizzare precocemente lo scompenso, ma restano aperti standardizzazione, validazione, esplicabilità (black box), generalizzabilità e responsabilità.
La relazione non tratta terapie, ma la gestione del paziente. Sistemi integrati potenziati dall’intelligenza artificiale combinano imaging avanzato, dati elettrocardiografici, elettrofisiologici, genomici e proteomici per predire il rischio aritmico. Una survey della Società Italiana di Cardiologia su oltre 700 cardiologi clinici ha documentato un’elevata considerazione dell’utilità clinica della risonanza cardiaca ma un suo sottoutilizzo, per limitata disponibilità di slot, liste d’attesa, pochi centri ad alto volume e difficoltà nell’uso dei referti. L’automazione del workflow e la refertazione da remoto potrebbero espandere l’accesso alle aree sottoservite.
Oggi l’intelligenza artificiale è essenzialmente una workflow technology che aumenta l’efficienza dell’operatore nelle fasi di pianificazione, acquisizione, ricostruzione e analisi. Restano appannaggio umano l’indicazione clinica con il disegno del protocollo e l’interpretazione clinica dei risultati: l’esame deve essere question driven e contestualizzato nella storia del paziente, per evitare un eccesso di tecnicismo. Il futuro prossimo non è la piena automatizzazione, ma una risonanza magnetica cardiaca clinica potenziata dall’intelligenza artificiale, che rafforzi il ragionamento clinico senza sostituirlo.
Cardiac magnetic resonance is a natural field of application for artificial intelligence, which works particularly well when large amounts of data are available: each examination produces between 1,500 and 3,000 images, obtained with different acquisition techniques that explore the various aspects of cardiac pathophysiology through a multiparametric and largely quantitative approach. The talk reviews the workflow of the technique to identify the points where artificial intelligence already helps today.
The critical points of the workflow concern every phase: protocol planning based on the clinical indication, which requires radiographer expertise and experience; acquisition, which depends on patient cooperation during expiratory breath-holds and on a stable heart rhythm; reconstruction, which requires balancing spatial resolution, speed, noise and artefacts; and post-processing, burdened by inter-observer variability and a shortage of expert operators. As a result, availability of the technique varies widely between countries and between regions of the same country.
Artificial intelligence systems assist planning by automatically identifying anatomical landmarks and acquiring the standard cardiac planes. To shorten the examination (30–40 minutes), short protocols, multiparametric sequences (cine with late gadolinium enhancement) and real-time imaging are being developed; deep learning networks applied to raw data enable free-breathing short-axis cine imaging, one slice per heartbeat, instead of an 11-second breath-hold per slice. Deep learning also improves reconstruction and ventricular segmentation, which drops from 5–10 minutes to a few seconds with operator review, provided the cases match the training dataset. Radiomics extracts hundreds of features for early heart failure phenotyping, but standardisation, validation, explainability (black box), generalisability and accountability remain open issues.
The talk does not address therapies, but rather patient management. Integrated AI-enhanced systems combine advanced imaging with electrocardiographic, electrophysiological, genomic and proteomic data to predict arrhythmic risk. A survey by the Italian Society of Cardiology of over 700 clinical cardiologists documented high regard for the clinical usefulness of cardiac magnetic resonance but its underuse, due to limited slot availability, waiting lists, few high-volume centres and difficulties in using the reports. Workflow automation and remote reporting could expand access to underserved areas.
Today artificial intelligence is essentially a workflow technology that increases operator efficiency in planning, acquisition, reconstruction and analysis. The clinical indication with protocol design and the clinical interpretation of results remain human tasks: the examination must be question-driven and contextualised within the patient’s history to avoid excessive technicality. The near future is not full automation, but clinical cardiac magnetic resonance enhanced by artificial intelligence, strengthening clinical reasoning rather than replacing it.
Moderatore: Io penso che Santo non abbia bisogno di presentazione: quando si parla di risonanza magnetica si parla anche di lui, e quindi ci parlerà dell’applicazione dell’intelligenza artificiale proprio nell’ambito della risonanza magnetica.
Santo Dellegrottaglie: Desidero ringraziare ECOCARDIOCHIRURGIA®: ho l’enorme onore e il piacere di far parte della famiglia di ECOCARDIOCHIRURGIA® da un po’ di tempo e con grande piacere sono oggi qui a parlarvi in una sessione che, come vi veniva anticipato, ha deciso di focalizzarsi su un argomento un po’ particolare. Non ho conflitti di interesse per questa relazione.
Perché la risonanza magnetica cardiaca è un campo di applicazione naturale per l’intelligenza artificiale? L’intelligenza artificiale funziona particolarmente bene quando ha la possibilità di avere a che fare con una grossa quantità di dati. Ebbene, tenete presente che per ciascun esame di risonanza magnetica cardiaca noi produciamo qualcosa compreso tra le 1.500 e le 3.000 immagini. Come sapete, abbiamo la possibilità di applicare diverse tecniche di acquisizione che ci consentono di studiare i diversi aspetti della fisiopatologia cardiaca, generando quindi un’enorme quantità di informazioni, molte quantitative, con un approccio multiparametrico. Qui vedete una rappresentazione del flusso di lavoro, il workflow della risonanza magnetica cardiaca.
Andremo a vedere nei diversi punti dove abbiamo ancora a che fare con delle difficoltà. Quando si tratta di pianificare il nostro studio nel singolo paziente, sulla base dell’indicazione clinica, è importante che l’operatore sia in condizioni di costruire il protocollo di studio per quel paziente nella maniera più adeguata: c’è quindi bisogno di competenza, di formazione, di esperienza. Il tecnico di radiologia è una figura cruciale da questo punto di vista, anche perché l’acquisizione delle immagini dovrà avvenire secondo dei piani di studio del cuore, ed è importante che chi pianifica questo tipo di acquisizioni abbia questa competenza, anche per poter ovviare a eventuali difficoltà legate alle caratteristiche del singolo paziente: aritmie, difficoltà a trattenere il respiro o a mantenere la posizione.
Il secondo punto è quello dell’acquisizione vera e propria delle immagini. Ciascuna acquisizione ha una sua durata e nel complesso definiscono quella che sarà la durata complessiva dell’esame, lo vedremo. Si procede per fasi successive di brevi apnee espiratorie: è importante che il paziente sia in condizione di collaborare con queste brevi apnee, di mantenere la posizione, di gestire l’eventuale componente d’ansia che può essere legata a questo tipo di esame.
Dai dati ricavati passiamo poi alla fase di ricostruzione vera e propria delle immagini. Ci saranno tempi di ricostruzione variabili a seconda del peso dei dati relativi a ciascun tipo di immagine. Bisogna mediare costantemente, da questo punto di vista, tra la risoluzione spaziale che abbiamo deciso di selezionare per quel tipo di acquisizione e la velocità con cui avvengono l’acquisizione e la ricostruzione vera e propria, gestendo il rumore sulle immagini e gli artefatti.
C’è poi la fase finale, quella della post-elaborazione delle immagini acquisite: qui è importante gestire bene il tempo, la competenza, la formazione; c’è una certa quota di variabilità interosservatore legata alla necessità di un training specifico e, come sapete, c’è anche un problema legato al ridotto numero di operatori esperti. Tant’è vero che la disponibilità della risonanza magnetica cardiaca, come sapete, varia molto da paese a paese, ma anche con una importante variabilità regionale nell’ambito dello stesso paese. Qui vedete i dati relativi al Regno Unito e agli Stati Uniti d’America.
Dicevamo dell’importanza di pianificare correttamente l’acquisizione delle immagini, quindi del ruolo del tecnico di radiologia. Otteniamo immagini secondo i piani di studio standard delle camere cardiache, analoghi per esempio a quelli dell’ecocardiografia. È importante che questa operazione venga effettuata correttamente perché i dati che se ne ricavano siano standardizzabili e quindi riproducibili. Oggi abbiamo dei sistemi basati su applicazioni di intelligenza artificiale che assistono questa operazione di pianificazione dell’acquisizione. Vedete: passo dopo passo il tecnico di radiologia si vede proporre dalla macchina gli step successivi, con l’identificazione automatica di una serie di punti di repere anatomici sulle strutture cardiache. Il tecnico non deve fare altro che confermare l’identificazione di quei punti di repere e la macchina a quel punto parte in automatico nell’acquisire le immagini secondo i piani cardiaci standard. Come potete immaginare, è un ausilio importante laddove c’è carenza di tecnici formati o di esperienza specifica sulla risonanza magnetica cardiaca.
Dicevamo della durata complessiva di un esame di risonanza magnetica cardiaca: oggi si attesta tra i 30 e i 40 minuti, con fasi successive di apnea espiratoria di 10-15 secondi per volta per acquisire le singole immagini, ed è importante che il ritmo cardiaco sia relativamente stabile e costante.
Si sta lavorando per ridurre questi tempi di acquisizione, sia disegnando protocolli short, brevi, focalizzati magari su una specifica indicazione, sia mettendo a punto sequenze di acquisizione che portano alla creazione di immagini che valutano più aspetti, più parametri nello stesso set di immagini, ad esempio cine che contengono anche il dato relativo al late gadolinium enhancement, oppure lavorando sulla velocità di acquisizione in modo da ottenere un imaging real-time di risonanza, un po’ come con l’ecocardiografia, potendo quindi arrivare a prescindere dalla necessità di mantenere l’apnea e addirittura anche dal gating elettrocardiografico.
Qui vi faccio vedere un’applicazione di reti di deep learning sui dati grezzi acquisiti dalla macchina di risonanza magnetica in risonanza cardiaca, che con reiterazioni multiple consentono di ottimizzare il contenuto informativo dei diversi pixel, in modo da ridurre drasticamente i tempi di acquisizione. Vedete in alto un set di immagini cine in asse corto con acquisizione convenzionale, in cui sono necessari 11 secondi di apnea per acquisire ciascuna fetta. In basso invece, utilizzando questo sistema di accelerazione dell’acquisizione basato sul deep learning, abbiamo una singola acquisizione in respiro libero: ciascuna fetta viene acquisita utilizzando le informazioni ottenute in un singolo battito cardiaco, quindi con un enorme vantaggio, capite bene, in termini di fattibilità complessiva dell’esame.
Anche per la ricostruzione delle immagini esistono già una serie di sistemi di accelerazione che si basano su modalità più o meno furbe di gestire il contenuto informativo dei dati acquisiti. I sistemi tradizionali di accelerazione della ricostruzione, però, espongono al rischio di sviluppare una serie di artefatti. Anche qui abbiamo già installati su alcuni scanner dei sistemi di deep learning che agiscono di nuovo sulla fonte del segnale, rimuovendo il rumore e ottimizzando il dettaglio di risoluzione e la definizione delle immagini, e che consentono di ottenere con estrema efficienza immagini con un rapporto segnale-rumore aumentato, riduzione degli artefatti da ricostruzione e accelerazione dell’acquisizione, della ricostruzione e del workflow generale: un vantaggio utile in pazienti che non trattengono bene il respiro, che sono aritmici o che fanno fatica a collaborare, come ad esempio nella popolazione pediatrica.
Abbiamo poi la fase della post-elaborazione. Sapete che il momento più noioso dell’elaborazione delle immagini di risonanza è quello in cui bisogna segmentare le camere ventricolari e ricavare i volumi ventricolari, lo stroke volume, la massa, la frazione di eiezione. L’operatore identifica manualmente la fase telediastolica e quella telesistolica; il momento critico è quello dell’identificazione della base ventricolare, distinguendola rispetto agli atri o alle valvole aortica e polmonare. Ebbene, oggi abbiamo anche qui un importante ausilio basato su sistemi di intelligenza artificiale nei software di post-processing, in cui al clic di un’icona, quella che vedete selezionata in questo momento, la macchina in un secondo o poco più restituisce i dati quantitativi di segmentazione delle camere ventricolari, e quello che resta da fare all’operatore a quel punto è semplicemente una revisione.
La segmentazione manuale, quella tradizionale, ha il vantaggio di essere quella che costituisce il gold standard per accuratezza e riproducibilità nella valutazione dei volumi e della frazione di eiezione ventricolare. L’operatore ha un controllo diretto sulle varie fasi dell’analisi, che resta robusta anche in situazioni in cui la qualità delle immagini è ridotta, come ad esempio in caso di artefatti importanti o di anatomie cardiache particolarmente atipiche e inusuali. Gli svantaggi sono che è time consuming: parliamo di un lasso di tempo variabile da caso a caso, ma, come sapete, tra i 5 e i 10 minuti; espone a una certa variabilità interosservatore; dipende dalla competenza e dall’esperienza di chi effettua quest’analisi; e chiaramente possiamo elaborare solo un certo numero di set di immagini per ogni sessione di lavoro.
Utilizzando invece questi sistemi di segmentazione in post-processing basati sul deep learning abbiamo l’enorme vantaggio della velocità, lo abbiamo visto. La riproducibilità dei dati viene mantenuta, se non migliorata, come documentato in alcuni studi, e questo può aiutare anche a ridurre la dipendenza dalla competenza dell’operatore e facilita evidentemente l’esecuzione di elaborazioni più numerose nell’ambito di una singola sessione di lavoro. […] che il setting clinico dei casi che andiamo a elaborare con quel sistema di post-processing corrisponda al dataset utilizzato per l’allenamento, e non sempre questo è vero: il sistema fa quindi fatica nei casi che si discostano da questo setting di allenamento, nei casi complessi si torna ancora al lavoro di tipo manuale ed è sempre comunque necessario un controllo di qualità.
Quello che già avviene oggi nella gran parte dei laboratori di risonanza magnetica cardiaca è che l’efficienza dell’applicativo di intelligenza artificiale viene combinata con la validazione clinica da parte dell’operatore umano: generazione automatica dei contorni in maniera rapidissima, come avete visto, rapida revisione da parte dell’operatore umano, minime correzioni, che sono quasi sempre necessarie, e produzione del risultato quantitativo finale in una frazione del tempo abitualmente necessario con l’operazione manuale.
Qui vedete come negli ultimi anni stia crescendo il numero di pubblicazioni di ricerca scientifica con applicazioni di intelligenza artificiale alla risonanza magnetica cardiaca, e ve lo mostro soprattutto per farvi vedere che le più numerose riguardano proprio l’ambito di cui stavamo parlando poco fa, cioè l’utilizzo e la valutazione delle immagini cine di risonanza magnetica per la segmentazione delle camere cardiache. Sono in crescita anche le pubblicazioni sull’estrazione di informazioni diagnostiche e prognostiche direttamente dalle immagini di risonanza magnetica cardiaca e sulla cosiddetta radiomica.
Qui vedete un esempio di fenotipizzazione di pazienti con scompenso cardiaco da immagini di risonanza magnetica cardiaca, per mostrare come con la radiomica abbiamo la possibilità di estrarre centinaia di elementi informativi, anche quantitativi, che sono praticamente impossibili da raggiungere con la valutazione umana tradizionale. Le applicazioni potenziali sono quindi enormi: per la classificazione delle malattie, per una fenotipizzazione molto sofisticata e anche precoce, ad esempio nell’ambito dello scompenso, e per arrivare anche alla predizione degli esiti a distanza nella gestione di questi pazienti. Ci sono ancora limiti importanti per quanto riguarda la standardizzazione, la riproducibilità, la necessità di validazione.
Un elemento importante dal punto di vista dei limiti è quello della necessità della fiducia, il concetto della black box. A cosa mi riferisco quando parliamo delle sfide ancora aperte per l’impiego dell’intelligenza artificiale nell’imaging cardiovascolare in generale e nella risonanza magnetica in particolare? Al concetto della esplicabilità, un termine un po’ bruttino, che è rappresentato dal fatto che, nel momento in cui utilizziamo sistemi di deep learning e la macchina ci restituisce ad esempio una diagnosi, è importante che l’operatore umano abbia modo di verificare sulla base di quali elementi la macchina ha generato quel risultato. Tutto questo con i modelli attuali non è possibile: è il concetto della black box, l’inaccessibilità del percorso. Si sta lavorando alla messa a punto di modelli di esplicabilità o feature map, cioè la produzione di mappe in cui vengono enfatizzati ed evidenziati gli elementi che la macchina ha utilizzato per arrivare a quella conclusione, in modo da consentirne la verificabilità.
È importante anche la generalizzabilità, ne parlavamo prima: è importante che il modello che sto utilizzando nel mio paziente sia stato allenato su un dataset di casi che includono anche quel paziente, altrimenti rischio di avere delle misclassificazioni. E poi c’è l’importanza della responsabilità: lavorare su adeguamenti regolatori e normativi in modo da stabilire, nel momento in cui utilizzo applicativi di intelligenza artificiale in medicina, chi è responsabile di cosa. Ma questo probabilmente lo tratteremo anche in discussione.
È importante arrivare a sviluppare approcci che consentano di integrare le informazioni che ci servono per caratterizzare dal punto di vista diagnostico e, molto importante, dal punto di vista prognostico il paziente che abbiamo davanti. Si sta lavorando quindi a sistemi potenziati dall’intelligenza artificiale che consentono ad esempio una predizione del rischio aritmico in pazienti in cui vengono valutati contestualmente gli elementi di imaging avanzato, come quelli di risonanza, elettrocardiografici, elettrofisiologici, di genomica, di proteomica e altri elementi clinici.
Anche in Italia, evidentemente, abbiamo un problema di disponibilità della metodica. Questi sono i dati di una recente survey che abbiamo condotto nell’ambito delle attività della Società Italiana di Cardiologia, chiedendo a oltre 700 cardiologi clinici quale considerazione avessero della risonanza magnetica cardiaca. Ebbene, ne è emersa un’elevata considerazione dell’utilità clinica, ma con una forte consapevolezza dell’attuale sottoutilizzo, identificando una serie di barriere operative che vanno dalla limitata disponibilità di slot per l’esecuzione degli esami di risonanza cardiaca alle liste d’attesa lunghe, alla scarsità di centri ad elevato volume dedicati alla risonanza cardiaca e, con elevata frequenza, all’occorrenza di difficoltà nell’utilizzo clinico dei referti che vengono prodotti quando l’esame finalmente viene eseguito.
L’intelligenza artificiale potrà aiutarci ad espandere l’accesso a metodiche attualmente sottoutilizzate come la risonanza magnetica cardiaca. Dicevamo delle difficoltà legate alla scarsità di tecnici di radiologia formati, di operatori esperti, di centri specializzati; le liste d’attesa sono lunghe e molti pazienti non riescono ad accedere alla risonanza cardiaca. Abbiamo visto come esistano già implementazioni del workflow basate sull’intelligenza artificiale nei vari aspetti, che vanno dal planning dell’acquisizione all’acquisizione e ricostruzione stessa, fino al post-processing, sviluppando magari anche maggiormente la possibilità che operatori esperti accedano da remoto alle immagini. Tutto questo può consentire complessivamente un’espansione dell’accesso, con più centri di risonanza magnetica che possono aprirsi allo studio del cuore, un’espansione regionale soprattutto, con la possibilità di raggiungere zone sottoservite, aree non […], e quindi dare la possibilità a un maggior numero di pazienti di essere sottoposti a questo tipo di esame.
L’intelligenza artificiale, abbiamo visto, è attualmente essenzialmente una workflow technology in risonanza magnetica cardiaca, nel senso che assiste l’operatore e ne migliora l’efficienza: l’abbiamo vista intervenire nella fase del planning dello scan, dell’acquisizione, della ricostruzione e dell’analisi delle immagini. Ci sono ancora due punti che, almeno per il momento, sono appannaggio dell’operatore umano. Il primo, fondamentale, è quello dell’indicazione clinica all’esame e dell’operatore che deve disegnare il protocollo di acquisizione sulla base di quell’indicazione clinica. Sapete, chiunque di noi abbia provato a utilizzare ChatGPT sa bene quanto la resa finale del prodotto dipenda dalla qualità della domanda che poniamo, e lo stesso vale per l’imaging cardiovascolare avanzato.
L’altro punto è quello dell’interpretazione clinica: come vengono poi utilizzati questi dati prodotti dall’imaging avanzato nella gestione del nostro paziente? Il rischio, se ci affidiamo completamente all’intelligenza artificiale, è quello di arrivare a un eccesso di tecnicismo, con una perdita progressiva del significato clinico della gran quantità di informazioni che, come abbiamo visto, possiamo ricavare da questo genere di esami. La risposta è nell’utilizzo clinico della risonanza magnetica cardiaca: l’imaging, anche avanzato e complesso, deve restare inglobato all’interno di una cornice strettamente clinica. L’esame deve essere centrato sul paziente, sull’indicazione, quindi question driven, e i risultati che se ne ottengono devono essere interpretati e contestualizzati rispetto alla storia del singolo paziente. In questo modo l’intelligenza artificiale può rafforzare il ragionamento clinico basato su dati di imaging avanzato come quelli di risonanza magnetica cardiaca, e non rimpiazzarlo.
[…] operativo della risonanza magnetica cardiaca: lo abbiamo visto nelle fasi di acquisizione, ricostruzione e post-processing. Ci sono interessantissime opportunità di ulteriore sviluppo per quanto riguarda l’uso dell’intelligenza artificiale nell’ottimizzazione della selezione dei protocolli, nella fenotipizzazione delle patologie, come abbiamo visto, addirittura nella creazione in automatico dei referti di questo tipo di esami e nel ricavare informazioni prognostiche. […] di questo genere di applicazioni verrà dall’integrazione con un percorso di valutazione cardiovascolare di tipo clinico. Quindi, dal mio punto di vista, il futuro prossimo della risonanza magnetica non è quello della piena automatizzazione attraverso l’intelligenza artificiale, ma quello dell’impiego della risonanza magnetica cardiaca clinica potenziata dall’intelligenza artificiale. Vi ringrazio.
Moderator: I think Santo needs no introduction: when we talk about magnetic resonance we also talk about him, and so he will speak to us about the application of artificial intelligence precisely in the field of magnetic resonance.
Santo Dellegrottaglie: I would like to thank ECOCARDIOCHIRURGIA®: I have the great honour and pleasure of having been part of the ECOCARDIOCHIRURGIA® family for some time, and it is a great pleasure to be here today to speak to you in a session that, as you were told, has chosen to focus on a somewhat special topic. I have no conflicts of interest for this talk.
Why is cardiac magnetic resonance a natural field of application for artificial intelligence? Artificial intelligence works particularly well when it can deal with a large amount of data. Well, bear in mind that for each cardiac magnetic resonance examination we produce somewhere between 1,500 and 3,000 images. As you know, we can apply different acquisition techniques that allow us to study the different aspects of cardiac pathophysiology, thus generating an enormous amount of information, much of it quantitative, with a multiparametric approach. Here you see a representation of the workflow of cardiac magnetic resonance.
We will look at the various points where we still face difficulties. When it comes to planning our study in the individual patient, based on the clinical indication, it is important that the operator is able to build the most appropriate study protocol for that patient: this requires competence, training and experience. The radiographer is a crucial figure in this respect, also because images must be acquired along specific cardiac imaging planes, and it is important that whoever plans these acquisitions has this expertise, also in order to overcome any difficulties related to the characteristics of the individual patient: arrhythmias, difficulty holding their breath or maintaining their position.
The second point is the actual acquisition of the images. Each acquisition has its own duration, and together they define the overall duration of the examination, as we will see. The study proceeds through successive short expiratory breath-holds: it is important that the patient is able to cooperate with these short breath-holds, to maintain their position and to manage any anxiety that may be associated with this type of examination.
From the acquired data we then move on to the actual image reconstruction phase. Reconstruction times vary according to the data load of each type of image. In this respect we constantly have to balance the spatial resolution we have chosen for that type of acquisition against the speed of acquisition and reconstruction, while managing image noise and artefacts.
Then there is the final phase, post-processing of the acquired images: here it is important to manage time, competence and training well; there is a certain amount of inter-observer variability related to the need for specific training and, as you know, there is also a problem related to the small number of expert operators. Indeed, the availability of cardiac magnetic resonance, as you know, varies greatly from country to country, but also with significant regional variability within the same country. Here you see the data for the United Kingdom and the United States of America.
We mentioned the importance of correctly planning image acquisition, and therefore the role of the radiographer. We obtain images along the standard imaging planes of the cardiac chambers, similar for example to those of echocardiography. It is important that this is done correctly so that the data obtained are standardisable and therefore reproducible. Today we have systems based on artificial intelligence applications that assist this acquisition planning. As you can see, step by step the radiographer is offered the next steps by the scanner, with automatic identification of a series of anatomical landmarks on the cardiac structures. The radiographer only has to confirm the identification of those landmarks, and the scanner then automatically starts acquiring images along the standard cardiac planes. As you can imagine, this is an important aid where there is a shortage of trained radiographers or of specific experience in cardiac magnetic resonance.
We mentioned the overall duration of a cardiac magnetic resonance examination: today it is between 30 and 40 minutes, with successive expiratory breath-holds of 10–15 seconds each to acquire the individual images, and it is important that the heart rhythm is relatively stable and regular.
Work is under way to reduce these acquisition times, both by designing short protocols, perhaps focused on a specific indication, and by developing acquisition sequences that generate images assessing several aspects, several parameters in the same image set, for example cine images that also contain late gadolinium enhancement information, or by working on acquisition speed so as to achieve real-time magnetic resonance imaging, somewhat like echocardiography, thus making it possible to do without breath-holding and even without electrocardiographic gating.
Here I show you an application of deep learning networks to the raw data acquired by the magnetic resonance scanner in cardiac imaging, which, through multiple iterations, optimise the information content of the different pixels so as to drastically reduce acquisition times. At the top you see a set of short-axis cine images with conventional acquisition, requiring an 11-second breath-hold to acquire each slice. At the bottom, using this deep learning-based acquisition acceleration system, we have a single free-breathing acquisition: each slice is acquired using the information obtained in a single heartbeat, which, as you can easily understand, is an enormous advantage in terms of the overall feasibility of the examination.
For image reconstruction too, a number of acceleration systems already exist, based on more or less clever ways of handling the information content of the acquired data. Traditional reconstruction acceleration systems, however, carry the risk of generating a series of artefacts. Here too, some scanners already have deep learning systems installed that act once again on the signal source, removing noise and optimising the resolution detail and definition of the images, and that make it possible to obtain, with extreme efficiency, images with an increased signal-to-noise ratio, fewer reconstruction artefacts and faster acquisition, reconstruction and overall workflow: an advantage that is useful in patients who cannot hold their breath well, who are arrhythmic or who struggle to cooperate, as for example in the paediatric population.
Then we have the post-processing phase. You know that the most tedious moment in processing magnetic resonance images is when we have to segment the ventricular chambers and derive the ventricular volumes, stroke volume, mass and ejection fraction. The operator manually identifies the end-diastolic and end-systolic phases; the critical step is identifying the ventricular base, distinguishing it from the atria or from the aortic and pulmonary valves. Well, here too we now have an important aid based on artificial intelligence systems in post-processing software, in which, at the click of an icon, the one you see being selected right now, the software returns quantitative segmentation data of the ventricular chambers in a second or little more, and all that remains for the operator to do is a review.
Manual segmentation, the traditional approach, has the advantage of being the gold standard for accuracy and reproducibility in the assessment of ventricular volumes and ejection fraction. The operator has direct control over the various steps of the analysis, which remains robust even when image quality is reduced, for example in the presence of significant artefacts or particularly atypical and unusual cardiac anatomies. The disadvantages are that it is time-consuming: we are talking about a time span that varies from case to case but, as you know, is between 5 and 10 minutes; it is subject to a certain inter-observer variability; it depends on the competence and experience of whoever performs the analysis; and clearly we can only process a certain number of image sets in each work session.
By using these deep learning-based post-processing segmentation systems, on the other hand, we have the enormous advantage of speed, as we have seen. Data reproducibility is maintained, if not improved, as documented in some studies, and this can also help reduce dependence on operator expertise and clearly makes it easier to perform a larger number of analyses within a single work session. […] that the clinical setting of the cases we process with that post-processing system matches the dataset used for training, and this is not always true: the system therefore struggles with cases that differ from this training setting, in complex cases we still go back to manual work, and quality control is always necessary in any case.
What already happens today in most cardiac magnetic resonance laboratories is that the efficiency of the artificial intelligence application is combined with clinical validation by the human operator: very rapid automatic generation of contours, as you have seen, rapid review by the human operator, minimal corrections, which are almost always necessary, and production of the final quantitative result in a fraction of the time usually required for the manual procedure.
Here you see how the number of scientific research publications on artificial intelligence applications to cardiac magnetic resonance has been growing in recent years, and I show it to you mainly to point out that the most numerous concern precisely the area we were discussing a moment ago, namely the use and assessment of cine magnetic resonance images for the segmentation of the cardiac chambers. Publications on the extraction of diagnostic and prognostic information directly from cardiac magnetic resonance images and on so-called radiomics are also increasing.
Here you see an example of phenotyping of patients with heart failure from cardiac magnetic resonance images, to show how, with radiomics, we can extract hundreds of informative features, including quantitative ones, that are practically impossible to obtain with traditional human assessment. The potential applications are therefore enormous: for disease classification, for very sophisticated and also early phenotyping, for example in heart failure, and even for predicting long-term outcomes in the management of these patients. There are still important limitations regarding standardisation, reproducibility and the need for validation.
An important element among the limitations is the need for trust, the concept of the black box. What do I mean when we talk about the challenges still open for the use of artificial intelligence in cardiovascular imaging in general and in magnetic resonance in particular? I mean the concept of explainability, a somewhat ugly term, which reflects the fact that, when we use deep learning systems and the machine returns, for example, a diagnosis, it is important that the human operator is able to verify on the basis of which elements the machine generated that result. With current models all this is not possible: this is the concept of the black box, the inaccessibility of the pathway. Work is under way to develop explainability models or feature maps, that is, maps that emphasise and highlight the elements the machine used to reach that conclusion, so as to make it verifiable.
Generalisability is also important, as we said before: the model I am using in my patient must have been trained on a dataset of cases that also include that patient, otherwise I risk misclassifications. And then there is the importance of accountability: working on regulatory and legal adjustments so as to establish, when I use artificial intelligence applications in medicine, who is responsible for what. But we will probably also address this in the discussion.
It is important to develop approaches that make it possible to integrate the information we need to characterise, from a diagnostic and, very importantly, from a prognostic point of view, the patient in front of us. Work is therefore under way on artificial intelligence-enhanced systems that allow, for example, prediction of arrhythmic risk in patients in whom advanced imaging findings, such as magnetic resonance findings, electrocardiographic, electrophysiological, genomic and proteomic data and other clinical elements are assessed together.
In Italy too, clearly, we have a problem with the availability of the technique. These are the data from a recent survey we conducted as part of the activities of the Italian Society of Cardiology, asking over 700 clinical cardiologists how they regarded cardiac magnetic resonance. What emerged was a high regard for its clinical usefulness, but with a strong awareness of its current underuse, identifying a series of operational barriers ranging from the limited availability of slots for cardiac magnetic resonance examinations to long waiting lists, the scarcity of high-volume centres dedicated to cardiac magnetic resonance and, frequently, difficulties in the clinical use of the reports produced when the examination is finally performed.
Artificial intelligence may help us expand access to currently underused techniques such as cardiac magnetic resonance. We mentioned the difficulties related to the shortage of trained radiographers, expert operators and specialised centres; waiting lists are long and many patients cannot access cardiac magnetic resonance. We have seen that AI-based workflow implementations already exist for the various steps, ranging from acquisition planning to acquisition and reconstruction themselves, up to post-processing, perhaps also further developing the possibility for expert operators to access images remotely. Overall, all this can allow an expansion of access, with more magnetic resonance centres able to open up to cardiac imaging, a regional expansion in particular, with the possibility of reaching underserved areas, areas not […], and thus giving a larger number of patients the opportunity to undergo this type of examination.
As we have seen, artificial intelligence is currently essentially a workflow technology in cardiac magnetic resonance, in the sense that it assists the operator and improves their efficiency: we have seen it intervene in the scan planning, acquisition, reconstruction and image analysis phases. There are still two points that, at least for the moment, remain the domain of the human operator. The first, fundamental one is the clinical indication for the examination and the operator who must design the acquisition protocol on the basis of that clinical indication. You know, anyone who has tried to use ChatGPT knows very well how much the quality of the final output depends on the quality of the question we ask, and the same applies to advanced cardiovascular imaging.
The other point is clinical interpretation: how are these data produced by advanced imaging then used in the management of our patient? The risk, if we rely entirely on artificial intelligence, is to end up with excessive technicality, with a progressive loss of the clinical meaning of the large amount of information that, as we have seen, we can derive from this kind of examination. The answer lies in the clinical use of cardiac magnetic resonance: imaging, even advanced and complex imaging, must remain embedded within a strictly clinical framework. The examination must be centred on the patient and on the indication, therefore question-driven, and the results obtained must be interpreted and contextualised with respect to the history of the individual patient. In this way artificial intelligence can strengthen clinical reasoning based on advanced imaging data such as those of cardiac magnetic resonance, rather than replace it.
[…] operational […] of cardiac magnetic resonance: we have seen it in the acquisition, reconstruction and post-processing phases. There are extremely interesting opportunities for further development regarding the use of artificial intelligence in optimising protocol selection, in disease phenotyping, as we have seen, even in the automatic generation of reports for this type of examination, and in deriving prognostic information. […] of this kind of application will come from integration with a clinical cardiovascular assessment pathway. So, in my view, the near future of magnetic resonance is not full automation through artificial intelligence, but the use of clinical cardiac magnetic resonance enhanced by artificial intelligence. Thank you.




Stiamo aggiornando gradualmente tutti i contenuti esistenti e già 1/5 dell’archivio contiene due importanti novità.
La prima è che i video gradualmente saranno tutti disponibili, salvo alcuni contenuti soggetti a restrizioni, direttamente su YouTube.
Questo porta diversi vantaggi: sottotitoli disponibili e traducibili in varie lingue, maggiore velocità di riproduzione e alleggerimento del server da compiti gravosi.
Ma soprattutto, ogni relazione sarà accompagnata da un Abstract e dalla trascrizione completa, entrambi disponibili in italiano e in inglese.
All’interno dei testi saranno presenti anche i riferimenti temporali dei principali passaggi della relazione. Questo significa che, cliccando su un timecode, ad esempio (09:48), sarà possibile avviare il video esattamente da quel punto.
Un altro grande vantaggio è la possibilità di cercare parole o frasi presenti nei contributi, cosa che prima non era possibile.
Non dimenticate inoltre di iscrivervi al nostro canale YouTube: cliccando qui sotto:
una volta aperto Youtube, selezionate Iscriviti e attivate la campanella 🔔 per ricevere gli aggiornamenti sui nuovi contenuti pubblicati.