Le applicazioni di intelligenza artificiale come ausilio diagnostico potrebbero dare un impatto significativo sulla gestione di pazienti con nodulo tiroideo. Questo approccio potrebbe migliorare la capacità di effettuare diagnosi in maniera efficace, ma deve essere ancora efficacemente implementato nella pratica clinica.
L’IA nella diagnostica per immagini: le opportunità del Piano strategico nazionale
AI e diagnostica del nodulo tiroideo: i bisogni clinici
L’utilizzo delle tecniche di intelligenza artificiale nella diagnostica per immagini è legato ai bisogni clinici che possono essere riassunti come segue:
- valutare una intera lesione o distretto per identificare informazioni clinicamente rilevanti;
- evitare procedure invasive come biopsie o chirurgia in pazienti ad alto rischio per altre patologie e co-morbidità;
- prevedere la risposta al trattamento al fine di evitare terapie inefficaci e ridurre gli effetti collaterali legati agli stessi trattamenti;
- predire la traiettoria della malattia da cui pazienti sono affetti, al fine di selezionare trattamenti meno aggressivi e ridurre l’intensità del follow-up.
Inoltre, le tecniche di intelligenza artificiale consentono di ridurre le variazioni legate all’operatore, così come quelle legate alle caratteristiche fisiche del paziente e alla strumentazione utilizzata.
L’ecografia è sicuramente la principale tecnica di diagnostica per immagini utilizzata per studiare la patologia tiroidea: per questo, è importante riuscire ad avere delle informazioni che non dipendono dall’esperienza dell’operatore. Un aspetto che assume particolare rilievo: si considera che questa metodica, disponibile in maniera capillare su tutto il territorio nazionale, dovrebbe essere sempre effettuata da operatori esperti.
Infatti, la variabilità fra gli operatori può aumentare il carico di lavoro sul sistema sanitario nazionale e richiedere interventi non necessari, come ad esempio una biopsia, facendo aumentare il tempo e le risorse necessarie per arrivare ad una diagnosi.
AI e diagnostica del nodulo tiroideo: i biomarcatori
Il quesito di maggiore rilevanza è quello legato alla natura di un nodulo tiroideo, che attualmente richiede una biopsia in un elevato numero di casi.
Ai fini di questo breve articolo, è utile chiarire il significato di biomarcatori, che vengono utilizzati anche in diagnostica per immagini. In particolare, un biomarcatore deve essere misurabile oggettivamente e deve indicare delle funzioni o processi.
Sono biomarcatori diversi tipi di misurazioni: molecolari, istologiche, radiologiche o relative parametri fisiologici.
Le immagini, che siano radiografie, TAC, PET, MRI, scintigrafie o ecografie, possono essere considerate come dei biomarcatori che indicano la presenza di alterazioni in un determinato distretto o apparato. La presenza di una anomalia in una immagine ecografica della tiroide, per esempio, può essere considerata come un biomarcatore di malattia della tiroide.
AI e diagnostica del nodulo tiroideo: le tecniche applicate
In questo articolo non scenderemo nel dettaglio della definizione delle tecniche di intelligenza artificiale ma le elencheremo solamente, lasciando al lettore la possibilità di approfondire i temi relativi a questo argomento.
In particolare, considereremo le tecniche di intelligenza artificiale relative a quello che viene chiamato “machine learning”, che può essere supervisionato o non supervisionato. Queste tecniche possono essere utilizzate per fare classificazione, regressione o raggruppamento di serie di dati.
In diagnostica per immagini vengono utilizzate anche le reti neurali, fra le quali si riconoscono le cosiddette reti neurali convoluzionali. Il processo di apprendimento parte da una configurazione casuale e procede attraverso l’ottimizzazione dei parametri utilizzati. Quindi, ad ogni interazione i dati vengono valutati in ordine alla capacità di predizione della presenza di una caratteristica. La rete, attraverso la funzione di errore ottimizza ogni parametro, che viene poi modulato per piccoli incrementi al fine di minimizzare la differenza fra la rilevazione della rete e l’oggetto reale.
L’utilizzazione di queste metodiche può essere implementata considerandole come un aiuto alla diagnosi effettuata da una macchina, quello che l’inglese viene chiamato CAD (Computer Assisted Diagnosis).
In particolare, se ipotizziamo la presenza di un nodulo tiroideo, il medico che effettua una ecografia sostanzialmente estrae alcune caratteristiche dalle immagini, normalmente predefinite, per poi giungere a una classificazione dell’alterazione vista. Vengono valutati, per esempio, l’area, il perimetro, l’intensità ecografica, le caratteristiche tissutali, la forma di un nodulo tiroideo.
Questa modalità di classificazione può anche essere effettuata con tecniche di machine learning sui dati estratti dalle immagini, utilizzando sempre parametri predefiniti. In alternativa, possono essere utilizzate tecniche cosiddette di deep learning. In questo caso, quello che succede fra la acquisizione dell’immagine e il risultato, quindi la identificazione e la classificazione delle alterazioni, viene determinato all’interno della rete e restituito all’operatore.
Queste tecniche, machine learning e deep learning, possono essere utilizzate per analizzare diversi tipi di immagini: radiologiche, scintigrafiche, ecografiche. La valutazione porta alle estrazioni di biomarcatori, ossia di informazioni sulla presenza di anomalie, in questo caso nella tiroide.
In ecografia, gli algoritmi di intelligenza artificiale vengono utilizzati per la identificazione di lesioni all’interno di una serie di immagini basate sul cambiamento della ecogenicità, oppure sulla presenza di caratteristiche considerate anormali; possono essere quindi utilizzati per la diagnosi e la classificazione di lesioni.
Inoltre, possono essere utilizzati per fare la cosiddetta segmentazione, cioè delineare i contorni di una lesione in maniera accurata e più ripetibile per consentire poi, a posteriori, una analisi delle caratteristiche della lesione stessa.
I risultati degli studi
Una recente revisione della letteratura [1] ha classificato diversi tipi di studi in relazione alla tecnica di analisi utilizzata per la valutazione dei noduli tiroidei.
In particolare, sono riportati:
- sei studi che hanno utilizzato il cosiddetto machine learning classico con una sensibilità globale intorno all’86% e una specificità intorno all’85%;
- 13 studi che hanno utilizzato tecniche di deep learning con sensibilità lievemente superiore, pari all’89% e specificità intorno all’84%;
- 11 studi che hanno fatto un confronto fra deep learning e radiologo esperto che hanno riportato una sensibilità dell’87% ed una specificità ancora intorno all’85%.
In base ai risultati di questa pubblicazione, è possibile considerare che i sistemi cosiddetti CAD hanno una buona capacità di fare diagnosi di lesione maligna ma non riescono a superare i radiologi, in particolare per quanto riguarda la capacità di fare diagnosi in tempo reale.
In realtà, uno studio pubblicato lo scorso anno appare molto promettente. Il lavoro è stato focalizzato sulla possibilità di utilizzare un modello di intelligenza artificiale per aiutare i radiologi nella diagnosi e nella gestione dei noduli tiroidei. Si tratta di uno studio multicentrico, in cui sono state confrontate la capacità di identificare i noduli con alta probabilità di malignità rispetto ai noduli con alta probabilità di benignità.
Lo studio ha messo a confronto le diagnosi proposte da 12 radiologi esperti con le diagnosi effettuate da 12 radiologi esperti più l’assistenza dell’algoritmo di intelligenza artificiale. In questo secondo caso si è visto che la capacità di identificare il nodulo maligno era significativamente superiore, con una conseguente riduzione della necessità di effettuare un agoaspirato per determinare la natura del nodulo identificato ecograficamente.
AI e diagnostica del nodulo tiroideo: le sfide aperte
Nonostante i risultati molto incoraggianti, anche in questo campo, sono comunque presenti molte sfide aperte.
In particolare, l’introduzione e l’uso delle tecniche di intelligenza artificiale nella pratica clinica è motivo di discussione e presenta ancora molti ostacoli.
Molti degli studi pubblicati fino ad ora sono stati disegnati come prove di concetto o di fattibilità tecnica, senza una visione rispetto alla utilizzazione clinica di queste tecniche.
Inoltre, questi stessi studi non hanno avuto una validazione esterna e quindi un’applicazione nella pratica clinica. La valutazione degli algoritmi è stata eseguita su un numero limitato di immagini, spesso raccolte da un singolo centro e con un singolo ecografo.
L’ecografia è una metodica complessa e questi studi non hanno preso in considerazione le differenze legate alle immagini in due o tre dimensioni, ai filmati con viste multiple ed alla considerazione di dati temporali e non solo spaziali.
____________________________________________________________________________
Bibliografia
- Shen YT, Chen L, Yue WW, Xu HX. “Artificial intelligence in ultrasound”. Eur J Radiol. 2021 Jun;139:109717. doi: 10.1016/j.ejrad.2021.109717. Epub 2021 Apr 12. PMID: 33962110.
- Peng S, Liu Y, Lv W, Liu L, Zhou Q, Yang H, Ren J, Liu G, Wang X, Zhang X, Du Q, Nie F, Huang G, Guo Y, Li J, Liang J, Hu H, Xiao H, Liu Z, Lai F, Zheng Q, Wang H, Li Y, Alexander EK, Wang W, Xiao H. “Deep learning-based artificial intelligence model to assist thyroid nodule diagnosis and management: a multicentre diagnostic study”. Lancet Digit Health. 2021 Apr;3(4):e250-e259. doi: 10.1016/S2589-7500(21)00041-8. Erratum in: Lancet Digit Health. 2021 Jul;3(7):e413. PMID: 33766289.
