Vedi traduzione automatica
Questa è una traduzione automatica. Per vedere il testo originale in inglese cliccare qui
#News
{{{sourceTextContent.title}}}
L'intelligenza artificiale potrebbe essere il futuro della diagnosi del cancro?
{{{sourceTextContent.subTitle}}}
In un recente studio, i ricercatori hanno addestrato un algoritmo per distinguere tra lesioni maligne e benigne nelle scansioni del tessuto mammario.
{{{sourceTextContent.description}}}
Con il cancro, la chiave per un trattamento di successo è catturarlo precocemente.
Allo stato attuale, i medici hanno accesso a immagini di alta qualità e radiologi esperti possono individuare i segni rivelatori di una crescita anomala.
Una volta identificato, il passo successivo è quello di verificare se la crescita è benigna o maligna.
Il metodo più affidabile è quello di fare una biopsia, che è una procedura invasiva.
Anche in questo caso, possono verificarsi degli errori. Alcune persone ricevono una diagnosi di cancro dove non c'è malattia, mentre altre non ricevono una diagnosi quando il cancro è presente.
Entrambi gli esiti causano disagio, e quest'ultima situazione può causare ritardi nel trattamento.
I ricercatori sono desiderosi di migliorare il processo diagnostico per evitare questi problemi. Individuare se una lesione è maligna o benigna in modo più affidabile e senza la necessità di una biopsia sarebbe un cambiamento di gioco.
Alcuni scienziati stanno studiando il potenziale dell'intelligenza artificiale (AI). In un recente studio, gli scienziati hanno formato un algoritmo con risultati incoraggianti.
AI ed elastografia
L'elastografia ad ultrasuoni è una tecnica diagnostica relativamente nuova che verifica la rigidità del tessuto mammario. Lo fa vibrando il tessuto, che crea un'onda. Quest'onda provoca una distorsione nella scansione ecografica, evidenziando le aree del seno in cui le proprietà differiscono dal tessuto circostante.
Da queste informazioni è possibile per un medico determinare se una lesione è cancerosa o benigna.
Sebbene questo metodo abbia un grande potenziale, l'analisi dei risultati dell'elastografia richiede molto tempo, comporta diverse fasi e richiede la risoluzione di problemi complessi.
Recentemente, un gruppo di ricercatori della Viterbi School of Engineering della University of Southern California di Los Angeles ha chiesto se un algoritmo potesse ridurre i passi necessari per ricavare informazioni da queste immagini. Hanno pubblicato i loro risultati nella rivista Computer Methods in Applied Mechanics and Engineering.
I ricercatori volevano vedere se potevano addestrare un algoritmo per distinguere tra lesioni maligne e benigne nelle scansioni del seno. È interessante notare che hanno tentato di raggiungere questo obiettivo addestrando l'algoritmo utilizzando dati sintetici piuttosto che scansioni vere e proprie.
Dati sintetici
Alla domanda sul perché il team ha utilizzato dati sintetici, l'autore principale, il Prof. Assad Oberai, afferma che si tratta della disponibilità di dati reali. Spiega che "nel caso delle immagini mediche, sei fortunato se hai 1.000 immagini. In situazioni come questa, dove i dati sono scarsi, questo tipo di tecniche diventano importanti"
I ricercatori hanno addestrato il loro algoritmo di apprendimento automatico, a cui fanno riferimento come una rete neurale convoluzionale profonda, utilizzando più di 12.000 immagini sintetiche.
Alla fine del processo, l'algoritmo era accurato al 100% sulle immagini sintetiche; successivamente, si è passati alle scansioni della vita reale. Hanno avuto accesso a sole 10 scansioni: la metà delle quali mostrava lesioni maligne e l'altra metà presentava lesioni benigne.
"Avevamo un tasso di precisione dell'80% circa. Poi, continuiamo a perfezionare l'algoritmo usando più immagini del mondo reale come input"
Prof. Assad Oberai
Anche se l'80% è buono, non è sufficiente, ma questo è solo l'inizio del processo. Gli autori ritengono che se avessero addestrato l'algoritmo su dati reali, l'algoritmo avrebbe potuto mostrare una maggiore accuratezza. I ricercatori riconoscono inoltre che il loro test era su scala troppo piccola per prevedere le capacità future del sistema.
La crescita dell'IA
Negli ultimi anni, c'è stato un crescente interesse per l'uso dell'IA nella diagnostica. Come scrive un solo autore:
"L'IA viene applicata con successo per l'analisi delle immagini in radiologia, patologia e dermatologia, con velocità diagnostica superiore e precisione di parallelismo, esperti in medicina."
Tuttavia, il Prof. Oberai non crede che l'IA possa mai sostituire un operatore umano addestrato. Egli spiega che "il consenso generale è che questi tipi di algoritmi hanno un ruolo significativo da svolgere, anche da parte di professionisti dell'imaging che avranno un impatto maggiore. Tuttavia, questi algoritmi saranno molto utili quando non servono come scatole nere. Che cosa l'ha vista che l'ha portata alla conclusione finale? "L'algoritmo deve essere spiegabile perche' funzioni come previsto."
I ricercatori sperano di poter ampliare il loro nuovo metodo di diagnosi di altri tipi di cancro. Ovunque un tumore cresce, cambia il comportamento fisico di un tessuto. Dovrebbe essere possibile tracciare queste differenze e addestrare un algoritmo per individuarle.
Tuttavia, poiché ogni tipo di cancro interagisce con l'ambiente circostante in modo così diverso, un algoritmo dovrà superare una serie di problemi per ogni tipo. Il Prof. Oberai sta già lavorando alla TAC del cancro renale per trovare il modo in cui l'IA potrebbe aiutare la diagnosi.
Anche se questi sono i primi giorni per l'uso dell'IA nella diagnosi del cancro, ci sono grandi speranze per il futuro.