Come l’intelligenza artificiale cambia la radiologia

I recenti progressi nell’intelligenza artificiale nella radiologia hanno portato alla conclusione che l’Intelligenza artificiale un giorno potrebbe sostituire i radiologi umani. I ricercatori hanno sviluppato reti neurali di apprendimento profondo in grado di identificare patologie in immagini radiologiche come fratture ossee e lesioni potenzialmente cancerose, in alcuni casi in modo più affidabile rispetto a un radiologo medio.

Per la maggior parte, però, i sistemi migliori sono attualmente all’altezza delle prestazioni umane e sono utilizzati solo in ambienti di ricerca.

Detto questo, l’apprendimento profondo sta avanzando rapidamente, ed è una tecnologia molto migliore rispetto ai precedenti approcci all’analisi dell’immagine medica.

Questo probabilmente fa presagire un futuro in cui l’Intelligenza artificiale giocherà un ruolo importante nella radiologia. La pratica radiologica trarrebbe certamente vantaggio da sistemi in grado di leggere e interpretare rapidamente più immagini, perché il numero di immagini è aumentato molto più velocemente nell’ultimo decennio rispetto al numero di radiologi.

Centinaia di immagini possono essere scattate per la malattia o la lesione di un paziente. L’imaging e la radiologia sono costosi e qualsiasi soluzione in grado di ridurre il lavoro umano, abbassare i costi e migliorare l’accuratezza diagnostica gioverebbe sia ai pazienti che ai medici.

La nuova radiologia

Detto questo è difficile che l’intelligenza artificiale faccia scomparire la figura del radiologo. I radiologi non si limitano a leggere e interpretare le immagini. Come altri sistemi Ia, i sistemi utilizzati in radiologia eseguono singoli compiti.

I modelli di deep learning sono addestrati per compiti specifici di riconoscimento dell’immagine (come il rilevamento dei nodulo sulla Tc toracica o l’emorragia sulla Rm cerebrale).

Ma migliaia di queste attività di rilevamento sono necessarie per identificare completamente tutti i potenziali risultati in immagini mediche, e solo alcune di queste possono essere eseguite dall’intelligenza artificiale oggi. Inoltre, il lavoro di interpretazione delle immagini comprende solo una serie di compiti svolti dai radiologi.

Si consultano anche con altri medici per diagnosi e trattamento, curano malattie (ad esempio fornendo terapie ablative locali), eseguono interventi medici guidati da immagini (radiologia interventistica), definiscono i parametri tecnici degli esami di imaging da eseguire (su misura per le condizioni del paziente), mettono in relazione i risultati delle immagini con altre cartelle cliniche e con i risultati dei test, discutono procedure e risultati con i pazienti e molte altre attività.

Anche nell’improbabile eventualità che l’intelligenza artificiale si occupi della lettura e dell’interpretazione delle immagini, la maggior parte dei radiologi potrebbe riorientare la propria attenzione verso queste altre attività essenziali.

In secondo luogo, i processi clinici per l’impiego di immagini basate sull’Inteligenza artificiale sono ben lungi dall’essere pronti per l’uso quotidiano. Le indagini del Data Science Institute presso l’American college of radiology (Acr) hanno rilevato che diversi fornitori di tecnologie di imaging e algoritmi di apprendimento profondo sono focalizzati su diversi aspetti dei casi d’uso che affrontano.

Anche tra i rivelatori di nodulo basati sull’apprendimento profondo approvati dalla Fda c’erano diversi focolai: la probabilità di una lesione, la probabilità di cancro, la caratteristica di un nodulo o la sua posizione. Questi diversi focolai renderebbero molto difficile l’integrazione dei sistemi di apprendimento profondo nella pratica clinica corrente.

Pertanto, l’Acr sta iniziando a definire gli input e gli output per i fornitori di software per l’apprendimento profondo. La Fda richiede, e l’Acr fornisce le metodologie per i fornitori, verifica l’efficacia e il valore degli algoritmi prima e dopo la loro immissione sul mercato.

Allo stesso tempo, l’Acr sta lavorando per una raccolta completa di casi d’uso – per parte del corpo, modalità e tipo di malattia – per i quali il processo clinico, i requisiti di immagine e la spiegazione dei risultati sono tutti ben definiti e coerenti con le pratiche cliniche attuali e future.

Naturalmente, per creare una collezione completa di casi d’uso ci vorranno molti anni, ampliando ulteriormente il ruolo dei radiologi nel mondo dell’intelligenza artificiale.
In terzo luogo, gli algoritmi di apprendimento profondo per il riconoscimento delle immagini devono essere addestrati su “dati etichettati”.

In radiologia, ciò significa immagini di pazienti che hanno ricevuto una diagnosi definitiva di cancro, di fratture ossee o di altre patologie. In altri tipi di riconoscimento delle immagini, dove l’apprendimento profondo ha raggiunto alti livelli di successo, è stato formato su milioni di immagini etichettate, come le foto di gatto su internet.

Ma non esiste un repository aggregato di immagini radiologiche, etichettate o meno. Sono di proprietà di fornitori, ospedali e medici, strutture di imaging e pazienti, e la raccolta e l’etichettatura per accumulare una massa critica per la formazione Ia sarà impegnativo e richiede tempo.

Infine, così come è chiaro che i veicoli autonomi richiederanno modifiche alla regolamentazione e all’assicurazione automobilistica, saranno necessarie modifiche alla regolamentazione medica e all’assicurazione sanitaria per poter decollare le analisi automatizzate delle immagini.

Chi è responsabile, ad esempio, se una macchina esegue una diagnosi errata di un caso di cancro – il medico, l’ospedale, il fornitore di tecnologia di imaging, o lo scienziato dei dati che ha creato l’algoritmo?

E gli operatori sanitari rimborseranno una diagnosi di Ia come un singolo set di occhi o come un secondo set in combinazione con un radiologo umano? Tutti questi problemi devono essere risolti, ed è improbabile che il progresso avvenga così rapidamente come fa la ricerca sull’apprendimento profondo in laboratorio. Le macchine per la radiologia dell’Ia potrebbero dover diventare sostanzialmente migliori dei radiologi umani – non solo altrettanto buone – per guidare le modifiche normative e di rimborso necessarie.

Dovrebbe essere evidente, quindi, che la prossima volta che si riceve una mammografia o una risonanza magnetica, è improbabile che le immagini vengano visualizzate solo da un algoritmo di intelligenza artificiale. I radiologi, come gli avvocati, i pianificatori finanziari, i contabili e altri professionisti che stanno vedendo alcuni compiti di lavoro essere eseguiti da macchine intelligenti, troveranno cambiamenti, piuttosto che la sostituzione del loro lavoro attuale.

Per questo motivo, dovranno adottare nuove competenze e nuovi processi di lavoro. Gli unici radiologi il cui lavoro può essere minacciato sono quelli che si rifiutano di lavorare con l’intelligenza artificiale. L’integrazione dell’Ia nella pratica radiologica comporta notevoli vantaggi medici e di produttività. L’aumento della produttività può anche significare che i radiologi possono dedicare più tempo a fare ciò che molti di loro trovano più soddisfacente: consultare altri medici per le diagnosi e le strategie di trattamento.

LASCIA UN COMMENTO

Please enter your comment!
Please enter your name here