Il ruolo dell’AI nell’imaging medico per la rilevazione precoce delle anomalie

L’entusiasmo per l’AI permane nel settore sanitario, ma è particolarmente forte nella radiologia. Se ricordi i primi giorni del design assistito da computer (CAD), è impressionante vedere quanto la tecnologia sia avanzata. Un nativo di ChatGPT potrebbe sostenere che c’è ancora molto lavoro da fare prima che l’AI possa raggiungere il suo pieno potenziale in questo campo. Entrambe le opinioni sono corrette. Questo articolo esaminerà perché è così difficile per l’AI rilevare le cose, come il suo ruolo sta cambiando e quali tendenze osservare nel 2025 e oltre.

Trovare un ago in un pagliaio: la rilevazione è difficile.

Rilevare la malattia in fase precoce è difficile perché le malattie spesso iniziano con deviazioni piuttosto sottili dall’aspetto normale nei dati di imaging radiologico. Poiché c’è una grande variabilità normale e naturale tra gli individui, è molto difficile determinare quali piccoli cambiamenti sono veramente anormali. Ad esempio, i noduli polmonari iniziano molto piccoli; le malattie polmonari diffuse iniziano con cambiamenti tessutali facilmente trascurabili.

È qui che Machine Learning (ML) gioca un ruolo importante. Può imparare a riconoscere i cambiamenti specifici che non sono normali, ma associati alla malattia e separarli dalla variabilità normale. Questa variabilità normale può avere diverse fonti: anatomia individuale, differenze tecniche nell’attrezzatura di acquisizione dell’immagine o anche 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 puntano alla malattia.

L’AI può aiutarci a rilevare le anomalie più presto?

L’AI può aiutare in diversi modi. In primo luogo, può riconoscere modelli specifici associati alla malattia, come il cancro, le malattie polmonari interstiziali o le malattie cardiovascolari nei dati di imaging. Formando su dati il più possibile diversi, l’AI è in grado di rilevare in modo robusto le scoperte 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’AI può utilizzare caratteristiche dell’immagine al di là di quelle che gli esseri umani possono facilmente osservare e segnalare. Nella rilevazione del cancro ai polmoni, i radiologi valutano inizialmente la dimensione, la forma e la categoria di un nodulo per decidere sul prossimo passo nella gestione del paziente. L’AI può analizzare la texture tridimensionale e le caratteristiche fine-granulari della superficie di un nodulo per determinare più affidabilmente se presenta un alto o basso rischio di malignità. Ciò ha conseguenze dirette nella gestione dei singoli pazienti, come ad esempio se quella persona sarà inviata per biopsia o la lunghezza e la frequenza degli intervalli di follow-up.

In uno studio di Adams et al. (JACR), è stato dimostrato che abbinare la gestione basata sulle linee guida dei noduli incidentali nelle TC polmonari con l’analisi basata su ML potrebbe ridurre significativamente i falsi positivi. Ciò si traduce in un minor numero di biopsie non necessarie (per i casi in cui l’AI dice che il nodulo è benigno) e in un tempo più rapido per il trattamento (per i casi in cui l’AI dice che il nodulo è maligno). Qui è importante sottolineare – l’AI non sta sostenendo l’eliminazione delle linee guida. Invece, siamo sfidati a complementare le linee guida necessarie con i risultati dell’AI. In questo caso, se il punteggio ML contraddice la linea guida con alta certezza, allora seguiamo il punteggio ML; altrimenti, ci atteniamo alle istruzioni della linea guida. Vedremo più applicazioni come questa in futuro.

In terzo luogo, l’AI può aiutare a quantificare il cambiamento nel tempo nei pazienti, il che è di nuovo cruciale per un follow-up appropriato. Gli algoritmi attuali nel settore dell’ML e dell’analisi delle immagini mediche possono allineare più immagini dello stesso paziente – chiamiamo questo “registrazione” – in modo che possiamo esaminare la stessa posizione in momenti diversi. Nel caso del cancro ai polmoni, l’aggiunta di algoritmi di tracciamento consente di presentare l’intera storia di ogni nodulo ai radiologi quando aprono un caso. Invece di dover cercare le precedenti scansioni e navigare fino alla posizione giusta per alcuni noduli di esempio, vedono tutto in una volta. Ciò non solo dovrebbe liberare tempo, ma anche rendere l’esperienza di lavoro più piacevole per i medici.

La radiologia evolverà a causa dell’AI. La domanda è, come?

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

Oltre ai dati, c’è un progresso costante nello sviluppo di nuovi metodi ML per migliorare l’accuratezza. Ad esempio, un’area di ricerca importante sta esaminando come disentangolare la variabilità biologica dalle differenze nell’acquisizione dell’immagine; un’altra area sta esaminando come trasferire i modelli ML a nuovi domini. La multimodalità e la predizione rappresentano due direzioni particolarmente emozionanti 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 dalla radiologia, dalla medicina di laboratorio, dalla patologia e da altre aree diagnostiche per le decisioni terapeutiche. Se questi dati vengono utilizzati insieme, offrono molte più informazioni per guidare le decisioni rispetto a qualsiasi parametro singolo. Ciò è già pratica standard, ad esempio, nelle riunioni del tumore; l’ML semplicemente entrerà nel dibattito in futuro. Ciò solleva la domanda: cosa dovrebbero fare i modelli ML con tutti questi dati integrati da più fonti? Una cosa che potremmo fare è cercare di prevedere la malattia futura e la risposta individuale al trattamento. Insieme, essi detengono un grande potere che possiamo sfruttare per creare previsioni “e se” che possono guidare le decisioni terapeutiche.

Tendenze per il 2025: plasmare l’efficienza, la qualità e il 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 – l’integrazione dei dati complessi – l’AI può aiutare ad aumentare l’efficienza. L’AI può supportare ciò fornendo informazioni critiche e rilevanti al punto di cura – ad esempio, valori quantitativi – o automatizzando alcune attività come la rilevazione o la segmentazione di un’anomalia. Ciò ha un effetto collaterale interessante: non solo consente la valutazione dei cambiamenti più veloce, 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 irrealistica in molte circostanze, ma l’automazione rende queste informazioni accessibili durante la cura di routine.

Qualità

L’AI influenza la qualità del lavoro. Intendiamo dire: migliorare la diagnosi, la raccomandazione di trattamenti specifici, la rilevazione precoce della malattia o la valutazione più precisa della risposta al trattamento. Questi sono benefici per ogni paziente individuale. Al momento, la relazione di questi benefici con l’efficacia dei costi a livello di sistema sta essere valutata per studiare e misurare l’impatto economico sanitario dell’introduzione dell’AI nella radiologia.

Rimborso

L’adozione dell’AI non è più solo questione di efficienza; sta essere riconosciuta e premiata per i suoi contributi tangibili alla cura dei pazienti e ai risparmi di costo. La sua inclusione negli schemi di rimborso evidenzia questo spostamento. Mentre i benefici – come la riduzione delle procedure non necessarie e l’accelerazione del trattamento – sembrano ovvi a posteriori, il viaggio è stato lungo. Ora, con i primi casi di successo che emergono, l’impatto trasformativo dell’AI è chiaro. Migliorando gli esiti dei pazienti e ottimizzando i processi sanitari, l’AI sta plasmando l’industria, con sviluppi emozionanti all’orizzonte.

Plasmare il futuro dell’imaging medico

L’imaging medico sta subendo trasformazioni fondamentali. La medicina di precisione, la diagnostica integrata e la tecnologia diagnostica molecolare novella stanno cambiando il modo in cui vengono prese le decisioni terapeutiche in un panorama di opzioni terapeutiche sempre più complesso. L’AI è un catalizzatore di questo cambiamento, poiché consente ai medici di integrare più caratteristiche catturate da diverse modalità e di collegarle alle risposte al trattamento.

Ci vorrà ancora del tempo per adottare questi strumenti su larga scala a causa delle sfide tecniche, dei problemi di integrazione e delle preoccupazioni relative all’economia sanitaria. Una cosa che possiamo fare tutti per accelerare il processo è essere pazienti informati. Possiamo tutti parlare con i nostri medici di quali AI potrebbero aver testato o utilizzato nella pratica e di come quegli strumenti complementino la loro esperienza professionale e le loro conoscenze. Il mercato risponde alla domanda; quindi, se chiediamo una rilevazione precoce e accurata, l’AI arriverà.