Il ruolo dell'intelligenza artificiale nell'imaging medico per la rilevazione precoce delle anomalie

L'entusiasmo che circonda l'IA continua a prevalere nell'assistenza sanitaria, ma è particolarmente forte in radiologia. Se ricordi i primi giorni della progettazione assistita da computer (CAD), è piuttosto impressionante quanto sia avanzata la tecnologia. Un nativo di ChatGPT forse sosterrebbe che c'è ancora molto lavoro da fare prima che l'IA possa raggiungere il suo pieno potenziale in questo campo. Entrambe le opinioni sono corrette. Questo articolo esaminerà perché è così difficile per l'IA rilevare le cose, come sta cambiando il suo ruolo e quali tendenze tenere d'occhio nel 2025 e oltre.

Trovare un ago in un pagliaio: la ricerca è dura.

Rilevare precocemente una malattia è difficile perché le malattie spesso iniziano con deviazioni piuttosto impercettibili dall'aspetto normale nei dati di imaging radiologico. Poiché esiste molta variabilità naturale e completamente normale tra gli individui, è molto difficile determinare quali cambiamenti minori siano veramente anormali. Ad esempio, i noduli polmonari iniziano molto piccoli; le malattie polmonari diffuse iniziano con cambiamenti tissutali facilmente trascurabili.

Ecco dove machine Learning (ML) svolge un ruolo importante. Può imparare a riconoscere i cambiamenti specifici che non sono normali, ma piuttosto associati alla malattia e separarli dalla variabilità normale. Questa variabilità normale può avere diverse fonti: anatomia individuale, differenze tecniche nell'attrezzatura di acquisizione delle immagini o persino cambiamenti temporali nell'aspetto dei tessuti che sono perfettamente normali. Dobbiamo addestrare i modelli ML con grandi quantità di dati in modo che possano formare rappresentazioni di questa variabilità e identificare quei cambiamenti che indicano la malattia.

L'intelligenza artificiale può aiutarci a rilevare prima le anomalie?

L'intelligenza artificiale può aiutare in diversi modi. Innanzitutto, può riconoscere modelli specifici associati a malattie, come cancro, malattie polmonari interstiziali o malattie cardiovascolari nei dati di imaging. Grazie all'addestramento su dati il ​​più possibile diversi, l'intelligenza artificiale è in grado di rilevare in modo robusto i risultati importanti per la prima diagnosi. E analizzando interi volumi di immagini, può supportare i radiologi evidenziando aree sospette, aumentando così la sensibilità dei medici.

In secondo luogo, l'intelligenza artificiale può utilizzare caratteristiche dell'immagine che vanno oltre quelle che gli esseri umani possono facilmente osservare e segnalare. Nella rilevazione del cancro ai polmoni, i radiologi valutano innanzitutto le dimensioni, la forma e la categoria di un nodulo per decidere l'azione successiva nella gestione del paziente. L'intelligenza artificiale può analizzare la consistenza tridimensionale e le caratteristiche a grana fine della superficie di un nodulo per determinare in modo più affidabile se comporta un rischio elevato o basso di malignità. Ciò ha conseguenze dirette nella gestione dei singoli pazienti, ad esempio se quella persona verrà inviata o meno per una biopsia o la lunghezza e la frequenza degli intervalli di follow-up.

In uno studio di Adams e altri (JACR), è stato dimostrato che l'associazione di linee guida alla gestione dei noduli incidentali nelle TC del torace con L'analisi basata su ML potrebbe ridurre significativamente i falsi positivi. Ciò si traduce sia in un numero ridotto di biopsie non necessarie (per i casi in cui l'AI afferma che il nodulo è benigno) sia in tempi di trattamento più rapidi (per i casi in cui l'AI afferma che il nodulo è maligno). Qui è importante sottolineare che l'AI non sta sostenendo l'eliminazione delle linee guida. Invece, siamo sfidati a integrare le linee guida necessarie con i risultati dell'AI. In questo caso, se il punteggio ML contraddice la linea guida con elevata certezza, allora vai con il punteggio ML; altrimenti, attieniti alle istruzioni della linea guida. Vedremo altre applicazioni come questa in futuro.

In terzo luogo, l'intelligenza artificiale può aiutare a quantificare il cambiamento nel tempo nei pazienti, il che è, ancora una volta, cruciale per un follow-up adeguato. Gli algoritmi attuali nell'area dell'ML e dell'analisi delle immagini mediche possono allineare più immagini dello stesso paziente, che chiamiamo "registrazione", in modo da poter guardare la stessa posizione in diversi punti temporali. Nel caso del cancro ai polmoni, l'aggiunta di algoritmi di tracciamento ci consente di presentare l'intera storia di ogni nodulo in un polmone ai radiologi quando aprono un caso. Invece di dover cercare scansioni precedenti e navigare verso la posizione giusta per alcuni noduli di esempio, vedono tutto in una volta. Ciò dovrebbe non solo liberare tempo, ma anche rendere l'esperienza lavorativa più piacevole per i medici.

La radiologia si evolverà grazie all'intelligenza artificiale. La domanda è: come?

Ci sono diverse direzioni in cui l'IA sta progredendo rapidamente. Quella ovvia è che stiamo raccogliendo dati più diversificati e rappresentativi per costruire modelli robusti che funzionino bene in contesti clinici. Ciò include non solo dati da diversi tipi di scanner, ma anche dati relativi a comorbilità che rendono più difficile la rilevazione del cancro.

Oltre ai dati, c'è un continuo progresso nello sviluppo di nuovi metodi ML per migliorare l'accuratezza. Ad esempio, un'area importante della ricerca sta esaminando come districare la variabilità biologica dalle differenze nell'acquisizione delle immagini; un'altra area sta esaminando come trasferire i modelli ML a nuovi domini. La multimodalità e la previsione rappresentano due direzioni particolarmente entusiasmanti che suggeriscono anche come la radiologia potrebbe cambiare nei prossimi anni. Nella medicina di precisione, la diagnostica integrata è una direzione critica che mira a utilizzare dati da radiologia, medicina di laboratorio, patologia e altre aree diagnostiche per le decisioni terapeutiche. Se questi dati vengono utilizzati insieme, offrono molte più informazioni per guidare le decisioni rispetto a qualsiasi singolo parametro particolare da solo. Questa è già una pratica standard, ad esempio, nei comitati oncologici; ML entrerà semplicemente nella discussione andando avanti. Ciò solleva la domanda: cosa dovrebbero fare i modelli ML con tutti questi dati integrati da più fonti? Una cosa che potremmo fare è provare a prevedere la malattia futura e la risposta di un individuo al trattamento. Insieme hanno molto potere che possiamo sfruttare per creare previsioni "what-if" che possono guidare le decisioni terapeutiche.

Tendenze per il 2025: dare forma a efficienza, qualità e rimborso

Ci sono diversi fattori che guidano l'AI nella pratica clinica. Due aspetti importanti sono l'efficienza e la qualità.

EFFICIENZA

Consentendo ai radiologi di concentrarsi sull'aspetto cruciale e impegnativo del loro lavoro, ovvero l'integrazione di dati complessi, l'intelligenza artificiale può contribuire ad aumentare l'efficienza. L'intelligenza artificiale può supportare questo processo fornendo informazioni critiche e pertinenti nel punto di cura, ad esempio valori quantitativi, o automatizzando alcune attività come il rilevamento o la segmentazione di un'anomalia. Ciò ha un interessante effetto collaterale: non solo consente di valutare più rapidamente i cambiamenti, ma porta anche attività come la segmentazione pixel per pixel e la volumetria dei modelli di malattia dalla ricerca alla pratica clinica. La segmentazione manuale di grandi modelli è completamente irrealizzabile in molte circostanze, ma l'automazione rende queste informazioni accessibili durante le cure di routine.

Qualità

L'IA influenza la qualità del lavoro. Con ciò intendiamo: migliorare la diagnosi, la raccomandazione di un trattamento specifico, la diagnosi precoce della malattia o la valutazione più accurata della risposta al trattamento. Questi sono vantaggi per ogni singolo paziente. Al momento, la relazione di questi vantaggi con l'efficacia dei costi a livello di sistema è in fase di valutazione per studiare e confrontare l'impatto economico sanitario dell'introduzione dell'IA in radiologia.

Rimborso

L'adozione dell'IA non riguarda più solo l'efficienza; viene riconosciuta e premiata per i suoi contributi tangibili all'assistenza ai pazienti e al risparmio sui costi. La sua inclusione nei programmi di rimborso evidenzia questo cambiamento. Mentre i vantaggi, come la riduzione delle procedure non necessarie e l'accelerazione del trattamento, sembrano semplici a posteriori, il viaggio è stato lungo. Ora, con i primi casi di successo che emergono, l'impatto trasformativo dell'IA è chiaro. Migliorando i risultati per i pazienti e ottimizzando i processi sanitari, l'IA sta rimodellando il settore, con sviluppi entusiasmanti all'orizzonte.

Dare forma al futuro dell'imaging medico

L'imaging medico sta subendo trasformazioni fondamentali. La medicina di precisione, la diagnostica integrata e la nuova tecnologia di diagnostica molecolare cambiano i mezzi per prendere decisioni terapeutiche in un panorama sempre più complesso di opzioni terapeutiche. L'intelligenza artificiale è un catalizzatore di questo cambiamento, poiché consente ai medici di integrare più caratteristiche catturate da diverse modalità e di collegarle alle risposte terapeutiche.

Ci vorrà ancora del tempo per adottare questi strumenti su larga scala a causa di sfide tecniche, problemi di integrazione e preoccupazioni di economia sanitaria. Una cosa che possiamo fare tutti per accelerare il processo è essere pazienti informati. Possiamo tutti parlare con i nostri dottori di quale IA potrebbero aver testato o utilizzare nella pratica e di come quegli strumenti completino la loro esperienza e conoscenza professionale. Il mercato parla alla domanda; quindi se pretendiamo un rilevamento precoce e accurato, l'IA arriverà.