Ricerca

AI e sanità: la ricerca corre veloce in tutto il mondo

Machine learning e deep learning sono già impiegati per identificare marcatori del cancro nel sangue e mutazioni nei tumori, nelle malattie della retina e nel supporto alla prescrizione di antibiotici per patologie del tratto urinario [...]
Luigi Mischitelli

Privacy & Data Protection Specialist at IRCCS Casa Sollievo della Sofferenza

Ai cancro
  1. Home
  2. Intelligenza Artificiale
  3. AI Manager
  4. AI e sanità: la ricerca corre veloce in tutto il mondo

L’inesorabile avanzata dell’intelligenza artificiale (AI) nel settore sanitario continua a produrre dei risultati sempre più sorprendenti, sia per quanto riguarda il miglioramento degli strumenti tecnologici impiegati, sia – inevitabilmente – per quanto riguarda la salute dei pazienti in generale, in particolare nella lotta contro il cancro. Esaminiamo tre esempi di innovazione tecnologica impiegata in sanità negli Stati Uniti, in Cina e in Europa.

New York: AI per “fiutare” il cancro nel sangue

New York: i ricercatori del Memorial Sloan Kettering Cancer Center (MSK) hanno creato uno strumento in grado di “fiutare” e identificare il cancro nei campioni di sangue dei pazienti, utilizzando l’apprendimento automatico. L’apprendimento automatico (machine-learning) è quella branca (o sottoinsieme) dell’AI che vede la macchina migliorare le proprie capacità di apprendimento nel corso del tempo. Il meccanismo messo su al MSK riguarda uno strumento che, come il naso dell’uomo, utilizza sensori per rilevare le molecole e il modo in cui esse interagiscono tra loro, generando una “firma molecolare” unica di una determinata patologia. I sensori dello strumento messo a punto nel nosocomio newyorkese sono costituiti da nanotubi di carbonio fluorescenti ben centomila volte più piccoli della larghezza di un capello umano. La luce prodotta da tali nanotubi di carbonio può essere utilizzata per generare un determinato modello di apprendimento automatico “addestrato” a distinguere tra schemi cancerosi e normali (identificando il cancro con precisione nei pazienti che ne sono affetti).

I ricercatori del MSK, al momento di testare lo strumento in esame utilizzando campioni di sangue di pazienti affetti da cancro alle ovaie, hanno scoperto che il loro modello individuava il cancro con maggiore precisione rispetto ai test standard basati sui biomarcatori (ossia quegli indicatori che possono essere collegati all’insorgenza o lo sviluppo di una malattia e, quindi, anche di un tumore). Per i ricercatori del MSK, l’utilizzo del loro modello potrebbe essere una chiave formidabile per la diagnosi precoce dei tumori. Si pensi, peraltro, che il cancro ovarico si diffonde lungo le superfici dell’addome e della pelvi (bacino) piuttosto che attraverso il sangue, il che lo rende particolarmente difficile da individuare con un esame ematochimico. Inoltre, anche i tradizionali test di screening del cancro devono affrontare sfide simili per la diagnosi precoce del tumore, poiché essi si basano sull’identificazione di biomarcatori tumorali, a differenza dello strumento messo a punto dai ricercatori dell’istituto newyorkese. La capacità di sviluppare uno screening dei tumori senza la necessità di avere a portata di mano dei biomarcatori (non sempre reperibili) è quantomeno interessante ed entusiasmante.

I ricercatori del MSK prevedono di utilizzare il loro modello in ambito clinico nei prossimi mesi, sviluppandolo al contempo per l’individuazione di altre tipologie di malattie.

AI cancro

Pennsylvania: CancerVar identifica le mutazioni tumorali con il deep learning

Passando da New York alla Pennsylvania, i ricercatori del Children’s Hospital of Philadelphia (CHOP) hanno annunciato di aver sviluppato una piattaforma di apprendimento automatico progettata per assistere i medici nell’identificazione delle mutazioni tumorali e nell’interpretazione del loro significato. La piattaforma, nota come “CancerVar”, prende informazioni cliniche (da database esistenti) relative a tredici milioni di varianti somatiche di quasi duemila geni censiti per il cancro e le combina con un algoritmo di apprendimento profondo. L’apprendimento profondo (deep-learning) è una sottocategoria dell’apprendimento automatico che fa riferimento agli algoritmi ispirati al cervello umano (si parla di reti neurali artificiali). Da qui, i medici possono generare interpretazioni descrittive automatizzate delle varianti. Secondo i ricercatori della CHOP, CancerVar evidenzia come gli strumenti computazionali possano essere utilizzati per ridurre il lavoro dei medici, migliorare la coerenza della classificazione delle varianti e contribuire ad affrontare le sfide legate alla diagnosi e alla prognosi del cancro.[1]

Cina: il deep learning contro le malattie retiniche

Dalla tecnologia impiegata nella lotta al cancro a quella dedicata alle malattie retiniche: una nuova ricerca[2] sviluppata in Cina e che ha coinvolto diversi ricercatori provenienti anche dall’Australia, dalla Germania e dalla Svizzera, ha concluso che un algoritmo di apprendimento profondo è in grado di rilevare simultaneamente più malattie retiniche in un determinato contesto clinico. I ricercatori hanno sviluppato e convalidato un modello di apprendimento profondo in grado di rilevare anomalie retiniche utilizzando immagini del fondo oculare. Gli stessi ricercatori hanno poi valutato se il modello potesse essere applicato efficacemente in ambito clinico o meno. I ricercatori hanno osservato che le malattie della retina e del nervo ottico sono una delle cause più comuni di perdita irreversibile della vista in tutto il mondo. La diagnosi di queste malattie richiede la disponibilità di oftalmologi esperti. Tuttavia, la distribuzione di questi medici specialisti varia notevolmente da paese a paese e da città a città, con le aree sottosviluppate che, in genere, hanno scarso accesso a tali specialisti, gli unici in grado di esaminare gli interessati alla ricerca di malattie della retina. Per combattere questa sfida, i ricercatori hanno suggerito di implementare metodi basati sull’intelligenza artificiale in modo da consentire di stabilire un accesso economico e affidabile agli screening nelle aree sottosviluppate.

WHITEPAPER
Smart building: una guida per semplificare la progettazione della rete

Per sviluppare il loro modello, chiamato “Retinal Artificial Intelligence Diagnosis System (RAIDS)”, i ricercatori hanno raccolto retrospettivamente più di centoventimila immagini del fondo oculare, di altrettanti pazienti, da dieci centri partecipanti al progetto tra il 2018 e il 2020. Queste immagini sono state poi valutate da tre specialisti selezionati da un pool di quaranta oftalmologi certificati, i quali hanno poi assegnato ad ogni caso esaminato una diagnosi di malattia retinica. In pratica, la diagnosi era definitiva se due dei tre specialisti erano d’accordo. Se due dei tre esperti oftalmologi non riuscivano a raggiungere un accordo, l’immagine veniva rivalutata da un ulteriore gruppo di sei esperti oftalmologi. Le immagini sono state quindi “divise” in un dataset di addestramento e in un dataset di convalida; successivamente venivano assegnate a una Rete Neurale Convoluzionale (CNN o “Convolutional Neural Network”, ispirata alla corteccia visiva degli animali). Per convalidare l’applicabilità clinica del RAIDS, i ricercatori hanno condotto un’indagine sfruttando che ha coinvolto sessantacinque centri dislocati su diciannove province cinesi. In ogni centro, il RAIDS è stato implementato attraverso il cloud e collegato alle telecamere che esaminavano il fondo oculare. I partecipanti allo studio sono stati quindi sottoposti a una fotografia del fondo oculare eseguita da operatori addestrati; le immagini risultanti che sono state ritenute non valutabili dagli operatori sono state escluse da ulteriori analisi. Le immagini ritenute valutabili, invece, sono state poi analizzate dal RAIDS e dagli esperti oftalmologi. La validazione esterna del modello ha seguito un’impostazione simile e sono state confrontate le prestazioni del RAIDS e di nove oftalmologi.

Complessivamente, il RAIDS ha raggiunto un’accuratezza superiore o uguale a quella degli specialisti in sette delle dieci patologie retiniche valutate, tra cui AMD (degenerazione maculare legata all’età), occlusioni delle vene retiniche, fori maculari, membrana maculare epiretinica, retinopatia ipertensiva, fibre mieliniche e retinite pigmentosa. In termini di velocità, il RAIDS ha valutato ogni immagine in meno di un secondo rispetto alla velocità massima degli specialisti della retina, pari a poco più di sette secondi. Utilizzato in autonomia, il RAIDS ha ridotto del novantacinque percento il tempo di esame rispetto agli oftalmologi che lavoravano senza l’ausilio dello strumento in esame. Quando è stato abbinato a un oftalmologo, invece, il RAIDS ha contribuito a ridurre i tempi dell’esame del 75 percento. I ricercatori hanno suggerito che il successo del RAIDS potrebbe contribuire a risolvere i problemi associati alla riduzione dei tassi di screening e alla diagnosi precoce delle malattie della retina nelle regioni sottosviluppate del mondo. E dato che può essere utilizzato sia da solo che “abbinato” a un oftalmologo, i ricercatori hanno affermato che il RAIDS potrebbe essere utilizzato sia negli ospedali locali che in centri più grandi.[3]

AI cancro

Olanda: machine learning a supporto della prescrizione di antibiotici

Alcuni ricercatori di università e aziende olandesi hanno scoperto[4] che un Sistema di Supporto alle Decisioni Cliniche (CDSS o “Clinical Decision Support System”), basato sull’apprendimento automatico, ha avuto un impatto significativo sul successo del trattamento e sulla prescrizione di antibiotici per le infezioni del tratto urinario. Secondo lo studio in questione, le infezioni del tratto urinario rappresentano un “onere” significativo per i sistemi sanitari di numerosi paesi, con la maggior parte degli studi clinici su di essi che vengono condotti su pazienti di sesso femminile affetti da infezioni “non complicate”. E questo aspetto limita l’evidenza scientifica di trattamenti efficaci per il trattamento di infezioni del tratto urinario “complicate”, il che può avere un impatto sul processo decisionale clinico. I ricercatori dei Paesi Bassi hanno inoltre notato che i metodi CDSS ad apprendimento automatico sono raramente valutati nella pratica clinica, ragion per cui hanno cercato di valutare come un CDSS avrebbe potuto influenzare il comportamento di prescrizione di antibiotici dei medici di base e il successo dei loro trattamenti per le infezioni del tratto urinario.

Poiché il CDSS potrebbe contenere dati su tutti i tipi di pazienti affetti da tali infezioni, compresi quelli con complicazioni, i ricercatori hanno ipotizzato che il suo utilizzo avrebbe potuto facilitare un migliore processo decisionale clinico. Il dataset per lo sviluppo del CDSS si è basato sui dati ricavati dalle cartelle cliniche elettroniche dei pazienti di età superiore ai dodici anni che avevano ricevuto un trattamento antibiotico per almeno una infezione comparsa tra il 2012 e il 2014. Il successo del trattamento ha visto un successivo periodo di ventotto giorni nel quale non è stato necessario un nuovo trattamento dei pazienti interessati. Da qui sono stati costruiti dei classificatori per stimare la probabilità di successo di otto antibiotici comunemente utilizzati per il trattamento delle infezioni del tratto urinario. Il dataset “finale” consisteva in più di centoventimila infezioni del tratto urinario diagnosticate in più di duecento strutture mediche. A causa delle differenze anatomiche tra pazienti di sesso maschile e femminile, i (ben) quindici modelli di apprendimento automatico che compongono il CDSS sono stati suddivisi in base al sesso: otto per pazienti di sesso femminile e sette per pazienti di sesso maschile. Dopo lo sviluppo del CDSS, i medici degli ambulatori partecipanti allo studio sono stati addestrati all’uso del software in esame, utilizzandolo per quattro mesi. È stato incluso anche un gruppo di controllo di ventinove studi che ha fornito un punto di riferimento per valutare i risultati dello studio. I dati relativi alle infezioni del tratto urinario, prima dell’inizio dello studio, sono stati raccolti dagli ambulatori partecipanti a scopo di confronto.

Negli studi che hanno utilizzato il CDSS, la percentuale di trattamenti riusciti è aumentata dal 75 all’80 percento durante i già citati quattro mesi. Negli studi di controllo, invece, la percentuale è rimasta stabile al settantasei percento. Per i trattamenti in cui è stato utilizzato il software, la percentuale di trattamenti riusciti ha toccato l’ottantatré percento. Misurando i risultati del trattamento in base al sesso, all’età, alle comorbilità e al fatto che l’infezione fosse complicata, i ricercatori hanno scoperto che l’uso del CDSS migliorava significativamente i risultati per i pazienti di sesso femminile e per quelli di età superiore ai settant’anni. Ma il comportamento del medico di base nella prescrizione di antibiotici non è stato influenzato in modo significativo dall’uso del CDSS. Questi risultati indicano che i metodi di apprendimento automatico possono aiutare a prendere decisioni cliniche e migliorare i risultati nelle pratiche di assistenza primaria. Tuttavia, secondo i ricercatori, sono necessari ulteriori studi e convalide dei modelli CDSS basati sull’apprendimento automatico nella pratica clinica.[5]

Note

  1. NY Cancer Center Develops Machine-Learning Sensor to Sniff Out Cancer. HealthITAnalytics.
  2. Artificial Intelligence for Screening of Multiple Retinal and Optic Nerve Diseases. JAMA Network Open. https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2791807
  3. AI Model Can Accurately Detect Multiple Retinal Diseases in Real Time. HealthITAnalytics.
  4. Impact of a Machine Learning–Based Decision Support System for Urinary Tract Infections: Prospective Observational Study in 36 Primary Care Practices. JMIR Medical Informatics. https://medinform.jmir.org/2022/5/e27795
  5. Machine-Learning Clinical Decision Support Tool Improves UTI Treatment. HealthITAnalytics. .

 

FacebookTwitterLinkedIn
FacebookTwitterLinkedIn