INTEGRATING ARTIFICIAL INTELLIGENCE INTO DIAGNOSTIC IMAGING: FROM AI-DRIVEN SIMULATION AND QUANTITATIVE IMAGING TO PERSONALIZED CONTRAST ADMINISTRATION IN CT

Background Iodinated contrast administration in computed tomography remains predominantly reliant on fixed or weight-adjusted protocols that overlook substantial inter-individual variability in body habitus, vascular volume, and attenuation characteristics. This lack of personalization leads to inconsistent enhancement, excessive iodine usage, and frequent deviation from diagnostic targets. Concurrently, artificial intelligence has emerged as a promising tool in radiology, with applications extending from patient communication support to quantitative imaging optimisation. Methods This doctoral work was structured around three core methodological components: simulation of MRI claustrophobia scenarios using large language models to evaluate the role of communicative strategies in patient compliance; creation of a multicentre dataset for CT-based body composition analysis via manual segmentation at L1 and L3 levels, providing a morphometric reference standard; and development of a multimodal deep learning pipeline combining DINOv2-based vision encoding of CT scout images with structured acquisition and dosing metadata to predict vascular and parenchymal enhancement. Enhancement deviation was quantitatively assessed in a cohort of 518 contrast-enhanced CT examinations, and a dose-inversion algorithm was implemented to generate patient-specific iodine recommendations under a simulation framework. Results Over 50% of analysed examinations fell outside acceptable diagnostic enhancement thresholds for liver and renal parenchyma, highlighting the limitations of standard protocols. The predictive model achieved mean absolute errors below 15 HU in abdominal organs and enabled simulation-based (in silico) evaluation of individualized dosing strategies. These simulation-based strategies reduced inter-patient enhancement variability by 25–30% and indicated the potential for iodine dose reduction in patients with lower attenuation profiles. An ancillary environmental analysis showed that 31.7% of contrast material loaded into multi-dose systems was wasted, supporting the potential ecological benefits of precision dosing approaches. Conclusions This thesis demonstrates the technical and translational feasibility of an AI-powered framework for personalized contrast media administration in CT imaging. By leveraging information from low-dose scout images and structured protocol data, the approach enables individualized dose recommendations aimed at improving enhancement uniformity and reducing unnecessary iodine exposure, and contribute to institutional sustainability goals. While the proposed framework is designed for seamless integration into current workflows, further work is needed to validate its performance across multiple centres and to incorporate uncertainty estimation prior to clinical deployment. The framework was evaluated retrospectively using simulation-based analyses; prospective silent-mode validation and multicentre studies are required to confirm clinical effectiveness and robustness prior to routine clinical deployment.

Background La somministrazione di mezzo di contrasto iodato nella tomografia computerizzata si basa ancora prevalentemente su protocolli fissi o aggiustati per il peso corporeo, che non tengono conto della marcata variabilità inter-individuale in termini di composizione corporea, volume vascolare e caratteristiche di attenuazione. Questa mancanza di personalizzazione determina un potenziamento non uniforme, un utilizzo eccessivo di iodio e frequenti scostamenti dagli obiettivi diagnostici. In parallelo, l’intelligenza artificiale si è affermata come strumento promettente in radiologia, con applicazioni che spaziano dal supporto alla comunicazione con il paziente all’ottimizzazione quantitativa dell’imaging. Methods Il lavoro di dottorato è stato strutturato su tre componenti metodologiche principali: la simulazione di scenari di claustrofobia in risonanza magnetica mediante large language models, per valutare il ruolo delle strategie comunicative sulla compliance del paziente; la creazione di un dataset multicentrico per l’analisi della composizione corporea in TC, basato su segmentazioni manuali ai livelli L1 e L3, quale standard di riferimento morfometrico; lo sviluppo di una pipeline di deep learning multimodale che combina l’encoding visivo delle immagini scout TC basato su DINOv2 con metadati strutturati di acquisizione e di dosaggio, finalizzata alla predizione del potenziamento vascolare e parenchimale. La deviazione del potenziamento è stata valutata quantitativamente in una coorte di 518 esami TC con mezzo di contrasto, ed è stato implementato un algoritmo di inversione della dose per generare raccomandazioni iodiche paziente-specifiche in un contesto simulativo. Results Oltre il 50% degli esami analizzati risultava al di fuori delle soglie diagnostiche accettabili di potenziamento per il parenchima epatico e renale, evidenziando i limiti dei protocolli standard. Il modello predittivo ha raggiunto errori assoluti medi inferiori a 15 HU negli organi addominali e ha consentito una valutazione simulativa (in silico) di strategie di dosaggio personalizzate. Tali strategie hanno ridotto la variabilità inter-paziente del potenziamento del 25–30% e hanno indicato un potenziale di riduzione della dose di iodio nei pazienti con profili di attenuazione più bassi. Un’analisi ambientale accessoria ha mostrato che il 31,7% del mezzo di contrasto caricato in sistemi multidose viene sprecato, supportando i potenziali benefici ecologici di approcci di dosaggio di precisione. Conclusions Questa tesi dimostra la fattibilità tecnica e traslazionale di un framework basato su intelligenza artificiale per la somministrazione personalizzata del mezzo di contrasto in TC. Sfruttando le informazioni derivanti da immagini scout a bassa dose e da dati strutturati di protocollo, l’approccio consente raccomandazioni di dose individualizzate, finalizzate a migliorare l’uniformità del potenziamento e a ridurre l’esposizione iodica non necessaria, contribuendo anche agli obiettivi di sostenibilità istituzionale. Sebbene il framework sia progettato per una integrazione fluida nei flussi di lavoro correnti, sono necessari ulteriori studi per validarne le prestazioni in contesti multicentrici e per incorporare stime di incertezza prima dell’impiego clinico. La valutazione è stata condotta retrospettivamente mediante analisi simulativa; studi prospettici in modalità silente e validazioni multicentriche sono richiesti per confermarne efficacia clinica e robustezza prima dell’adozione routinaria.