I rapidi e costanti miglioramenti negli algoritmi di deep learning hanno suscitato un grande interesse in ambito medicale, in particolare per quanto riguarda l’analisi di immagini medicali. Un dato evidenziato anche dal numero di pubblicazioni scientifiche, aumentato di 10 volte in pochi anni. Dalle 150/170 pubblicazioni all’anno del 2007/2008 si è passati a 1100/1500 all’anno del biennio 2017/2018.
Se si guarda all’adozione dell’intelligenza artificiale nel mondo sanitario, l’analisi di immagini medicali è sicuramente uno degli ambiti dove questa tecnologia può risultare più efficace nel supportare i medici. Per vari motivi. La velocità, prima di tutto: analizzare immagini medicali, come analisi radiologiche, richiede moltissimo tempo alle persone, è un processo prono all’errore umano, e alcuni tumori o altre patologie non sono identificabili tramite un’analisi visiva. I sistemi di intelligenza artificiale si sono dimostrati estremamente efficaci, in questo senso: al di là dell’ovvia velocità, infinitamente superiore a quella delle persone, sono anche in grado di rilevare dettagli non visibili a occhio nudo. E non soffrono di bias, anche se su questo tema è in atto un dibattito.
L’impatto dell’IA sulla radiomica
La radiomica è un approccio che si concentra sull’estrazione e sull’analisi di un gran numero di caratteristiche quantitative e qualitative dalle immagini diagnostiche (tomografie computerizzate, risonanze magnetiche e altre modalità di imaging medico). Lo scopo è quello di supportare i medici, andando a individuare, tramite l’IA, una serie di modelli e correlazioni che potrebbero sfuggire all’occhio o all’interpretazione delle persone in carne e ossa. Nel caso del tumore, per esempio, la radiomica può contribuire a identificare segni sottili di malignità, a valutare la risposta del tumore alle terapie, a identificare precocemente la malattia.
Grazie alla radiomica, è possibile velocizzare e automatizzare alcuni flussi di lavoro, ma è importante sottolineare che non è una tecnologia che si sostituisce all’analisi effettuata dagli specialisti, ma semplicemente li affianca, con l’obiettivo di accelerare i tempi, identificare dettagli altrimenti invisibili e, cosa non trascurabile, contribuisce a ridurre la soggettività, inevitabile quando sono persone in carne e ossa a dover analizzare i dati. Ma va sottolineato che queste tecnologie, pur essendo ausili fondamentali, non sono ancora al pieno grado di maturazione. Due le principali sfide: la qualità del set di dati utilizzato per addestrare gli algoritmi, prima di tutto, e poi il bias. Come già accade nel campo del riconoscimento facciale, dove gli algoritmi di computer vision hanno mostrato di avere un certo bias in alcuni frangenti, così avviene nell’analisi delle immagini medicali.
Il bias può derivare da differenti fonti:
- Bias di campionamento: se i dati utilizzati per addestrare e convalidare gli algoritmi radiomici non rappresentano in modo adeguato la popolazione di pazienti di interesse, si può verificare un bias di campionamento. Questo può portare a risultati che non sono generalizzabili o applicabili a diverse popolazioni.
- Bias di acquisizione: le modalità di acquisizione delle immagini possono variare da un centro medico all’altro e nel tempo. Le differenze nelle impostazioni dei dispositivi, nelle procedure di scansione e nelle tecnologie utilizzate possono influenzare le caratteristiche estratte dalle immagini, introducendo un bias nei dati.
- Bias del radiologo: le annotazioni o le etichette fornite dai radiologi per identificare le regioni di interesse nell’immagine possono essere influenzate da opinioni soggettive o preconcetti. Questo può introdurre un bias nell’interpretazione dei dati radiomici.
- Bias di selezione delle caratteristiche: gli algoritmi radiomici selezionano un insieme di caratteristiche da utilizzare per l’analisi. Se alcune caratteristiche vengono selezionate in modo sbilanciato o se alcune vengono trascurate, potrebbe verificarsi un bias nei risultati.
- Bias di etichettatura: nel caso di dati etichettati, come nel caso dell’analisi di immagini tumorali, le etichette stesse potrebbero contenere errori o incertezze, introducendo un bias nei dati di addestramento.
Le soluzioni di IA per la diagnostica di immagini medicali
IMAGE DIAGNOSTIC
Reply
La soluzione per la diagnostica di immagini medicali di Reply si chiama X-Rais,ed è una piattaforma sviluppata in collaborazione con aziende sanitarie e basata su reti neurali e radionica. L’azienda la definisce come un “assistente cognitivo nelle fasi di diagnosi e refertazione”, che è in grado di migliorare l’efficienza dei processi di diagnosi e ridurre il numero di diagnosi errate. Può venire utilizzata per l’analisi di mammografie, radiografie toraciche, risonanze magnetiche dell’encefalo.
La soluzione è offerta in modalità SaaS, Software as a Service, sia tramite abbonamenti periodici sia tramite una formula pay per use, ed è in grado di connettersi ai sistemi di diagnostica esistenti quali RIS e PACS. Un approccio che potrebbe far alzare il sopracciglio a qualcuno, trattandosi di dati medicali. Reply assicura che è pienamente conforme al GPDR e, in casi specifici, consente anche l’installazione e l’utilizzo on premise.
X-Rais è costantemente in via di sviluppo e il prossimo passo sarà l’introduzione del supportoper l’imaging istopatologico, legato all’individuazione di nuovi biomarcatori. Secondo Reply, affiancata da strumentazione di analisi avanzata, permetterà di “digitalizzare diversi tipi di tessuti, estrarre nuovi biomarcatori e sviluppare modelli di intelligenza artificiale al fine di migliorare la diagnosi e la prognosi di una patologia specifica per singolo paziente (medicina di precisione)”.
Siemens
Siemens Healthineers, la divisione della multinazionale tedesca specializzata nel settore sanitario, ha iniziato a sperimentare con IA e machine learning già negli Anni ’90, e a oggi può vantare circa 400 brevetti. 30 le applicazioni dell’azienda che fanno leva sull’intelligenza artificiale. Buona parte di queste soluzioni sono progettate per l’acquisizione e l’analisi di immagini medicali. Alcuni dei macchinari
Caption Health
Caption Health è un’azienda californiana che si è posta la mission di rilevare in anticipo una serie di patologie. Per farlo si affida a due tecnologie: gli ultrasuoni, per eseguire esami ecografici sui pazienti in maniera non invasiva, e l’intelligenza artificiale, tramite la quale vengono analizzati i dati acquisiti.
La soluzione dell’impresa statunitense parte da un presupposto: le ecografie rappresentano un eccellente strumento diagnostico, ma saper analizzare le immagini richiede persone che abbiano maturato una grande esperienza in questo ambito, anche solo per acquisire immagini di buona qualità. Questo perché i software utilizzati a questo scopo non sono particolarmente intuitivi da utilizzare, non danno indicazioni precise su come gli operatori devono muovere la sonda per catturare ogni dettaglio, né offrono un feedback immediato nel caso le immagini siano di scarsa qualità.
La soluzione sviluppata da Caption Health sfrutta l’intelligenza artificiale per guidare il personale medico in tutte le fasi dell’acquisizione delle ecografie. Lo aiuterà a muovere correttamente il trasduttore così da garantire immagini adeguate, con un indicatore che segnala in tempo reale la qualità che si sta ottenendo. Non solo: aiuta anche a interpretare le ecografie ottenute, calcolando automaticamente la frazione di eiezione, uno degli indicatori chiave dello stato di salute del cuore. I vantaggi principali? La riduzione di errori durante l’acquisizione delle ecografie e il fatto che – grazie alle indicazioni del software – anche personale senza anni di esperienza nello specifico settore potrà eseguire senza errori questi esami.
La soluzione è strutturata in modo da rispettare le normative relative alla privacy e alla protezione dei dati medicali, ed è stata testata a fondo e validata da numerose peer review. I risultati sono stati tanto apprezzati che GE Healthcare ha siglato un accordo per l’acquisizione di Caption Health.
Arterys
Arterys, azienda recentemente acquisita da Tempus, ha sviluppato una piattaforma per l’analisi delle immagini medicali concepita per integrarsi nei flussi di lavoro tipici del settore. È una soluzione cloud, in grado di connettersi ai software Pacs, Ris ed Emr, anche se installati on premise. A prescindere dalla modalità di installazione, gli specialisti potranno in ogni caso accedere in ogni istante, da ogni dispositivo e ovunque si trovino, ai dati sanitari dei pazienti. La funzione principale è quella di analizzare tramite IA le immagini medicali, aiutando i medici a velocizzare le diagnosi e individuare potenziali patologie che potrebbero sfuggire all’occhio umano.
La scelta di appoggiarsi al cloud consente sia di velocizzare l’integrazione, sia di accelerare significativamente i calcoli dell’IA. La piattaforma, infatti, appoggia su un’infrastruttura basata su GPU che, secondo l’azienda, è in grado di renderizzare velocemente file 3D, di elaborare set di dati di grandi dimensioni e di eseguire parallelamente più di un’applicazione basata sull’intelligenza artificiale. Così facendo, i medici potranno consultare e analizzare le immagini anche su terminali poco potenti, semplicemente collegandosi al sistema tramite browser.
Arterys si compone di cinque differenti moduli. Breast AI si basa su algoritmi di deep learning per identificare rapidamente le donne che hanno un elevato rischio di contrarre un tumore al seno, accelerando le procedure fino al 52,7%. Cardio AI, invece, analizza rapidamente le immagini MRI (le risonanze magnetiche), accelerando del 30% il tempo di scansione, consentendo di risparmiare fino a 25 minuti per ogni singolo test. Consente ai medici di ottenere automaticamente e rapidamente informazioni su deformazione, velocità di deformazione e velocità miocardica, di calcolare il volume atriale e lo spessore della parete del ventricolo. Lung AI, come suggerisce il nome, è dedicata all’analisi delle immagini radiologiche dei polmoni, mentre Chest MSK AI è in grado di identificare automaticamente fratture, effusioni articolari, versamenti pleurici, noduli e opacità polmonare. Infine, Neuro AI è una suite completa di applicazioni per la diagnostica e il trattamento di malattie neurodegenerative, come tumori al cervello o la sclerosi multipla.
Red dot (Behold.ai)
Red Dot è una piattaforma sviluppata da Behold.ai che, secondo l’azienda, è in grado di individuare quasi istantaneamente una serie di patologie, in particolare il tumore ai polmoni. Fra le realtà che hanno adottato la soluzione il Calderdale and Huddersfield NHS Foundation Trust, che afferma di aver abbattuto da 7 giorni a soli 7 secondi (nel 25% dei casi) il tempo necessario per analizzare le radiografie toraciche (CRX), riducendo anche del 71% i tempi di attesa per i pazienti. L’accuratezza? Secondo Behold.ai, è del 95%.
Clarius
Come Caption Health, Clarius propone una soluzione per semplificare l’acquisizione delle immagini medicali, rendendole alla portata anche dei non esperti del settore. L’idea è quella di evitare ai medici di dover configurare le impostazioni degli scanner, concentrandosi sulla scansione stessa. Il software di Clarius, infatti, si occupa di aggiustare in tempo reale i vari parametri, così da ottenere velocemente immagini in alta qualità. Gli algoritmi di machine learning consentono agli specialisti di ottimizzare i parametri di scansione tramite comandi vocali: un medico potrà semplicemente parlare per indicare allo scanner di aggiustare il guadagno o la profondità della scansione, di cambiare la modalità di immagine, di acquisire fotografie o video. Una volta acquisite le immagini, queste verranno analizzate e classificate automaticamente dall’intelligenza artificiale.
Sono presenti sei preset: addome, cuore, polmoni, vescica, superficiale e Altro, che verranno selezionati automaticamente dall’applicazione, che aggiusterà di conseguenza i parametri. Durante le scansioni, l’applicazione di Clarius si occuperà di aggiustare in automatico il guadagno e la luminosità, così da ottenere le migliori immagini possibili, senza bisogno di interventi manuali.
