L’Intelligenza Artificiale migliora la diagnostica per immagini: l’esperienza dell’Humanitas | Agenda Digitale

Sanità digitale

L’Intelligenza Artificiale migliora la diagnostica per immagini: l’esperienza dell’Humanitas

L’Intelligenza Artificiale applicata alla diagnostica per immagini consente di individuare e caratterizzare lesioni, anche oncologiche, nonché classificare pazienti in classi di rischio: i progetti in corso all’Humanitas

02 Feb 2021
Arturo Chiti

Ordinario in Diagnostica per Immagini e Radioterapia, Humanitas

La diffusione dell’Intelligenza Artificiale come strumento di ausilio ai medici è già iniziata e diverse esperienze sono già in corso: una delle applicazioni che suscitano maggiore interesse è quella della diagnostica per immagini. L’IA può migliorare la capacità dei medici e del personale sanitario di avere cura dei pazienti e consentire di rilevare precocemente anomalie che possono portare a patologie nel breve o nel lungo periodo.

Il gruppo sta lavorando su applicazioni di Intelligenza Artificiale per l’individuazione e la caratterizzazione di lesioni, principalmente in ambito oncologico. Un’ulteriore applicazione, in via di sviluppo, è relativa alla classificazione dei pazienti affetti da polmonite da SARS-CoV-2 in classi di rischio in base ai dati ottenuti dalla TC. Questo progetto è stato recentemente finalizzato e ci aspettiamo di poterlo utilizzare in futuro.

Qual è il ruolo dell’Intelligenza Artificiale nella diagnostica per immagini

L’Intelligenza Artificiale può incidere su diversi processi nell’ambito della diagnostica per immagini:

  • Ottimizzare le risorse tecnologiche e umane, attraverso una maggiore efficienza dei flussi di lavoro e della gestione dei pazienti. Infatti, gli algoritmi di intelligenza artificiale possono intervenire per analizzare e gestire gli esami sulle macchine (ad esempio TC, RM o PET) nonché per armonizzare i protocolli utilizzati nella esecuzione degli esami.
  • Migliorare l’efficienza degli strumenti: l’utilizzo di algoritmi IA ottimizza la modalità di ricostruzione delle immagini. Un sistema dotato di IA è in grado, ad esempio, di ridurre gli artefatti dovuti al movimento del paziente e di garantire la stessa qualità dell’immagine riducendo i tempi necessari per l’esecuzione di un esame.
  • Individuare lesioni e anomalie. Gli algoritmi di IA possono essere addestrati per “leggere” le immagini e rilevare anomalie in particolari distretti od apparati, utilizzando una metodica ben definita. In questo momento, la maggior parte degli algoritmi possono essere utilizzati dopo essere stati addestrati su una particolare metodica di diagnostica per immagini, come la radiografia del torace oppure la TC del torace.
  • Caratterizzare le lesioni. Oltre a identificare le alterazioni, gli algoritmi di IA possono essere addestrati per caratterizzare le lesioni: ad esempio, per riconoscere se una anomalia evidenziata ad una mammografia sia benigna o maligna, oppure se un nodulo polmonare evidenziato alla TC debba essere asportato o possa essere controllato nel tempo. In questo processo, le informazioni ricavate dalle immagini possono essere correlate con i dati del paziente, come le abitudini di vita o i risultati degli esami del sangue. La correlazione dei dati provenienti dalle diverse metodiche di analisi e dalla storia clinica dei pazienti può consentire di classificarli in gruppi omogenei di rischio. Questa classificazione dovrebbe consentire di stabilire un piano terapeutico personalizzato.

Come l’Intelligenza Artificiale aiuta a individuare e caratterizzare lesioni oncologiche

La nostra esperienza è maturata a partire dall’analisi delle immagini, condotta attraverso tecniche di analisi tissutale chiamate tecniche di radiomica. La radiomica consente di estrarre dalle immagini alcuni parametri quantitativi in grado di facilitare la caratterizzazione di lesioni, in questo caso lesioni neoplastiche o sospette tali: può essere integrata con tecniche di machine learning, ma la sua probabile evoluzione sarà l’utilizzo diretto di tecniche di deep learning, di apprendimento profondo tramite reti neurali artificiali.

Digital event, 24 giugno
Forum PA: Trasformare il Sistema Sanitario Nazionale, potenziamento del territorio e data governance
Sanità
Smart health

Le nostre prime esperienze si sono focalizzate sulla identificazione e caratterizzazione di lesioni polmonari su TC e PET con fluoro-deossi-glucosio. Attraverso l’utilizzo di reti neurali artificiali, abbiamo realizzato un sistema in grado di identificare noduli polmonari in TC del torace effettuate a pazienti sottoposti a screening per tumore del polmone. Il sistema è stato addestrato su immagini annotate da radiologi esperti nel corso del programma di screening offerto dal nostro ospedale ed è in grado di fornire risultati eccellenti nella identificazione di noduli polmonari. La rete è stata progettata per essere molto sensibile, ossia per identificare il maggior numero di noduli, in modo da lasciare al radiologo la responsabilità finale della interpretazione dell’esame. In questo modo, un algoritmo di intelligenza artificiale potrebbe consentire di dare un significativo contributo alla attività di screening del polmone del polmone, rendendo più efficiente il lavoro di coloro che interpretano le immagini TC.

L’evoluzione di questo sistema è stata la creazione di una rete in grado di determinare la natura di lesioni polmonari, non solo di localizzarle. La rete fornisce una probabilità relativa alla possibilità che una alterazione vista alla TC del torace sia maligna, in modo da aiutare la corretta programmazione del percorso di cura.

L’IA nella diagnostica per immagini: i limiti attuali e come superarli

La nostra esperienza, in analogia a quello di gruppi più avanzati, potrà concretizzarsi in futuro con applicazioni in grado di essere utilizzate nella pratica clinica per facilitare il lavoro dei medici coinvolti nella interpretazione delle immagini medicali.

Uno dei limiti di queste tecniche è relativo alla necessità di disporre di grandi quantità di immagini annotate da radiologi esperti. Il processo di annotazione consiste nella identificazione di lesioni e nella loro caratterizzazione da parte di medici esperti, sulla base dei dati disponibili e considerati come lo standard di riferimento. Il processo di annotazione richiede la disponibilità di notevoli risorse in termini di personale qualificato, medici specialisti, e tempo. Appare quindi chiaro che in futuro dovranno essere trovate soluzioni alternative, che rendano più veloce e naturale il processo di “addestramento” delle reti neurali. Sarà quindi necessario passare da reti supervisionate a reti non supervisionate, per consentire il trasferimento di conoscenza dal medico esperto alla macchina in maniera più veloce ed efficace.

La difficoltà di addestrare reti neurali che individuino e caratterizzino le lesioni porta ad una maggiore e più veloce diffusione delle reti neurali in grado di migliorare la qualità delle immagini. Reti che necessitano di risorse inferiori per essere addestrate e messe in azione nella pratica clinica.

Infine, è necessario ricordare come la diffusione delle tecniche di IA nella diagnostica per immagini, e non solo in questa disciplina, dovrebbe consentire di portare l’esperienza specifica di molti esperti anche in ospedali remoti o semplicemente in centri non specializzati in una determinata patologia. Questo approccio consentirà una più efficiente gestione delle risorse del sistema sanitario e potrà facilitare la diffusione della telemedicina.

In conclusione, siamo convinti che l’applicazione dell’intelligenza artificiale in diagnostica per immagini rappresenti un’eccezionale opportunità di miglioramento e crescita per questa disciplina e consentirà ulteriori, significativi, cambiamenti a beneficio dei nostri pazienti.

@RIPRODUZIONE RISERVATA

Articolo 1 di 2