Os aneurismas cerebrais são responsáveis por cerca de 80-90% de hemorragia subaracnóidea não traumática com mortalidade em torno de 23 a 51% e sequelas incapacitantes de 10-20%. O fator de risco de rotura do aneurisma depende das dimensões, forma, e localização do aneurisma. Logo, a detecção e caracterização do aneurisma cerebral torna-se crítica para a orientação de conduta.

O estudo por angiotomografia para avaliação dos aneurismas mostra-se promissor com sensibilidade em torno de 98% e especificidade em 100%.

A aprendizagem profunda (deep learning) é a área do aprendizado de máquina (machine learning) que foi aperfeiçoada com o desenvolvimento de algoritmos para reconhecimento de imagens. A sua aplicação na radiologia abrange o estudo de tuberculose pulmonar por radiografia de tórax, detecção de nódulos pulmonares nas tomografias de tórax, detecção de aneurismas por ressonância magnética, priorizando o fluxo de laudos radiológicos e reduzindo o tempo de diagnóstico das hemorragias intracranianas no estudo de tomografia sem contraste.

A utilização da tomografia no estudo dos eventos neurológicos agudos tem um papel fundamental na triagem neurorradiologica.

Diante de pequenos aneurismas e a complexidade da vascularização intracraniana, aneurismas cerebrais podem ser não identificados durante a assistência inicial.

A dupla leitura por médicos radiologistas diminui a taxa de falso-negativo na detecção de aneurisma para 1%.

O desenvolvimento de um algoritmo de suporte que auxilie a detecção de aneurismas cerebrais seria de grande valia para o paciente e o médico. Os autores estudaram 649 pacientes com o auxílio do algoritmo da aprendizagem profunda para detecção de aneurismas com o método angiotomografia cerebral. A sensibilidade na detecção do aneurisma foi de 97,5% do total.

A utilização do algoritmo proposto revelou 8 aneurismas não visibilizados na análise inicial.

Yang, J.; Xie M.; Hu, C.; Alwalid O.; Xu Y.; Liu J.; Jin  T.; et al Neuroradiology Nov 3 2020 Deep Learning for Detecting Cerebral Aneurysms with CT Angiography

https://doi.org/10.1148/radiol.2020192154

.