Predição de temperatura otimizada para tratamento com ultrassom focado guiado por RM transcraniana, impulsionada por aprendizado profundo.

O controle preciso da temperatura é desafiador durante o tratamento com ultrassom focado guiado por RM transcraniana (MRgFUS). O objetivo deste estudo foi desenvolver um modelo de aprendizado profundo integrando os parâmetros do tratamento para cada sonicação, juntamente com informações clínicas específicas do paciente e métricas do crânio, para a predição da temperatura terapêutica do MRgFUS. Esta é uma análise retrospectiva de sonicações de pacientes com tremor essencial ou doença de Parkinson que foram submetidos a talamotomia unilateral por MRgFUS ou tractotomia palidotalâmica em um único hospital de janeiro de 2019 a junho de 2023. Para o treinamento do modelo, um conjunto de dados de 600 sonicações (72 pacientes) foi utilizado, enquanto um conjunto de validação contendo 199 sonicações (18 pacientes) foi utilizado para avaliar o desempenho do modelo. Além disso, um conjunto de dados externo com 146 sonicações (20 pacientes) foi utilizado para validação externa. O modelo de aprendizado profundo desenvolvido, chamado Fust-Net, alcançou alta precisão preditiva, com erros absolutos médios normalizados de 1,655°C para o conjunto interno e 2,432°C para o conjunto externo, que corresponderam de perto à temperatura real. A avaliação graduada mostrou que o Fust-Net alcançou uma taxa de predição de temperatura eficaz de 82,6%. Esses resultados destacam o potencial empolgante do Fust-Net para alcançar um controle preciso da temperatura durante o tratamento com MRgFUS, abrindo novas oportunidades para maior precisão e segurança em aplicações clínicas.