Resumo A radiologia tem uma série de características que a torna uma disciplina médica especialmente adequada à adoção precoce da inteligência artificial (IA), incluindo um fluxo de trabalho digital bem estabelecido, protocolos padronizados para armazenamento de imagens e inúmeras atividades interpretativas bem definidas. Tal adequação é corroborada pelos mais de 200 produtos radiológicos comerciais baseados em IA recentemente aprovados pelo Food and Drug Administration (FDA) para auxiliar os radiologistas em uma série de tarefas restritas de análise de imagens, como quantificação, triagem de fluxo de trabalho e aprimoramento da qualidade das imagens. Entretanto, para o aumento da eficácia e eficiência da IA, além de uma utilização clínica bem-sucedida dos produtos que utilizam essa tecnologia, os radiologistas devem estar atualizados com as aplicações em suas áreas específicas de atuação. Assim, neste artigo, pesquisamos na literatura existente aplicações baseadas em IA em neurorradiologia, mais especificamente em condições como doenças vasculares, epilepsia, condições desmielinizantes e neurodegenerativas. Também abordamos os principais algoritmos por trás de tais aplicações, discutimos alguns dos desafios na generalização no uso desses modelos e introduzimos as soluções comercialmente disponíveis mais relevantes adotadas na prática clínica. Se cautelosamente desenvolvidos, os algoritmos de IA têm o potencial de melhorar radicalmente a radiologia, aperfeiçoando a análise de imagens, aumentando o valor das técnicas de imagem quantitativas e mitigando erros de diagnóstico. , (IA) estabelecido definidas 20 FDA (FDA quantificação Entretanto bemsucedida sucedida tecnologia atuação Assim artigo neurorradiologia vasculares epilepsia neurodegenerativas desenvolvidos diagnóstico (IA 2

Abstract Radiology has a number of characteristics that make it an especially suitable medical discipline for early artificial intelligence (AI) adoption. These include having a well-established digital workflow, standardized protocols for image storage, and numerous well-defined interpretive activities. The more than 200 commercial radiologic AI-based products recently approved by the Food and Drug Administration (FDA) to assist radiologists in a number of narrow image-analysis tasks such as image enhancement, workflow triage, and quantification, corroborate this observation. However, in order to leverage AI to boost efficacy and efficiency, and to overcome substantial obstacles to widespread successful clinical use of these products, radiologists should become familiarized with the emerging applications in their particular areas of expertise. In light of this, in this article we survey the existing literature on the application of AI-based techniques in neuroradiology, focusing on conditions such as vascular diseases, epilepsy, and demyelinating and neurodegenerative conditions. We also introduce some of the algorithms behind the applications, briefly discuss a few of the challenges of generalization in the use of AI models in neuroradiology, and skate over the most relevant commercially available solutions adopted in clinical practice. If well designed, AI algorithms have the potential to radically improve radiology, strengthening image analysis, enhancing the value of quantitative imaging techniques, and mitigating diagnostic errors. (AI adoption wellestablished established storage welldefined defined activities 20 AIbased based FDA (FDA imageanalysis analysis enhancement triage quantification observation However efficiency expertise neuroradiology diseases epilepsy practice designed radiology errors 2

Abstract Objective: To validate a deep learning (DL) model for bone age estimation in individuals in the city of São Paulo, comparing it with the Greulich and Pyle method. Materials and Methods: This was a cross-sectional study of hand and wrist radiographs obtained for the determination of bone age. The manual analysis was performed by an experienced radiologist. The model used was based on a convolutional neural network that placed third in the 2017 Radiological Society of North America challenge. The mean absolute error (MAE) and the root-mean-square error (RMSE) were calculated for the model versus the radiologist, with comparisons by sex, race, and age. Results: The sample comprised 714 examinations. There was a correlation between the two methods, with a coefficient of determination of 0.94. The MAE of the predictions was 7.68 months, and the RMSE was 10.27 months. There were no statistically significant differences between sexes or among races (p > 0.05). The algorithm overestimated bone age in younger individuals (p = 0.001). Conclusion: Our DL algorithm demonstrated potential for estimating bone age in individuals in the city of São Paulo, regardless of sex and race. However, improvements are needed, particularly in relation to its use in younger patients. Objective (DL Paulo method Methods crosssectional cross sectional radiologist 201 challenge (MAE rootmeansquare root square (RMSE race Results 71 examinations methods 094 0 94 0.94 768 7 68 7.6 months 1027 10 27 10.2 p 0.05. 005 0.05 . 05 0.05) 0.001. 0001 0.001 001 0.001) Conclusion However needed patients 20 09 9 0.9 76 6 7. 102 1 2 10. 00 0.0 000 0.00 0.

Resumo Objetivo: Validar em indivíduos paulistas um modelo de aprendizado profundo (deep learning - DL) para estimativa da idade óssea, comparando-o com o método de Greulich e Pyle. Materiais e Métodos: Estudo transversal com radiografias de mão e punho para idade óssea. A análise manual foi feita por um radiologista experiente. Foi usado um modelo baseado em uma rede neural convolucional que ficou em terceiro lugar no desafio de 2017 da Radiological Society of North America. Calcularam-se o erro médio absoluto (mean absolute error - MAE) e a raiz do erro médio quadrado (root mean-square error - RMSE) do modelo contra o radiologista, com comparações entre sexo, etnia e idade. Resultados: A amostra compreendia 714 exames. Houve correlação entre ambos os métodos com coeficiente de determinação de 0,94. O MAE das predições foi 7,68 meses e a RMSE foi 10,27 meses. Não houve diferenças estatisticamente significantes entre sexos ou raças (p > 0,05). O algoritmo superestimou a idade óssea nos mais jovens (p = 0,001). Conclusão: O nosso algoritmo de DL demonstrou potencial para estimar a idade óssea em indivíduos paulistas, independentemente do sexo e da raça. Entretanto, há necessidade de aprimoramentos, particularmente em pacientes mais jovens. Objetivo deep comparandoo comparando Pyle Métodos experiente 201 America Calcularamse Calcularam se mean root meansquare square Resultados 71 exames 094 0 94 0,94 768 7 68 7,6 1027 10 27 10,2 p 0,05. 005 0,05 . 05 0,05) 0,001. 0001 0,001 001 0,001) Conclusão raça Entretanto aprimoramentos 20 09 9 0,9 76 6 7, 102 1 2 10, 00 0,0 000 0,00 0,

Resumo Objetivo: Validar em indivíduos paulistas um modelo de aprendizado profundo (deep learning - DL) para estimativa da idade óssea, comparando-o com o método de Greulich e Pyle. Materiais e Métodos: Estudo transversal com radiografias de mão e punho para idade óssea. A análise manual foi feita por um radiologista experiente. Foi usado um modelo baseado em uma rede neural convolucional que ficou em terceiro lugar no desafio de 2017 da Radiological Society of North America. Calcularam-se o erro médio absoluto (mean absolute error - MAE) e a raiz do erro médio quadrado (root mean-square error - RMSE) do modelo contra o radiologista, com comparações entre sexo, etnia e idade. Resultados: A amostra compreendia 714 exames. Houve correlação entre ambos os métodos com coeficiente de determinação de 0,94. O MAE das predições foi 7,68 meses e a RMSE foi 10,27 meses. Não houve diferenças estatisticamente significantes entre sexos ou raças (p > 0,05). O algoritmo superestimou a idade óssea nos mais jovens (p = 0,001). Conclusão: O nosso algoritmo de DL demonstrou potencial para estimar a idade óssea em indivíduos paulistas, independentemente do sexo e da raça. Entretanto, há necessidade de aprimoramentos, particularmente em pacientes mais jovens.

Abstract Objective: To validate a deep learning (DL) model for bone age estimation in individuals in the city of São Paulo, comparing it with the Greulich and Pyle method. Materials and Methods: This was a cross-sectional study of hand and wrist radiographs obtained for the determination of bone age. The manual analysis was performed by an experienced radiologist. The model used was based on a convolutional neural network that placed third in the 2017 Radiological Society of North America challenge. The mean absolute error (MAE) and the root-mean-square error (RMSE) were calculated for the model versus the radiologist, with comparisons by sex, race, and age. Results: The sample comprised 714 examinations. There was a correlation between the two methods, with a coefficient of determination of 0.94. The MAE of the predictions was 7.68 months, and the RMSE was 10.27 months. There were no statistically significant differences between sexes or among races (p > 0.05). The algorithm overestimated bone age in younger individuals (p = 0.001). Conclusion: Our DL algorithm demonstrated potential for estimating bone age in individuals in the city of São Paulo, regardless of sex and race. However, improvements are needed, particularly in relation to its use in younger patients.