• Home
  • /
  • Blog
  • /
  • L’AI per una diagnosi precoce e accurata

L’AI per una diagnosi precoce e accurata



Il tumore al fegato è il sesto tumore più diffuso a livello globale, con circa 13.000 nuove diagnosi in Italia stimate nel 2020, per il quale non sono disponibili esami di screening per la diagnosi precoce. Se diagnosticato quando sono presenti sintomi, in genere si tratta di lesioni tumorali o metastasi di grandi dimensioni che riducono l’aspettativa di vita del paziente, richiedono terapie costose e, se operabile, interventi chirurgici importanti con elevati costi sociali, sanitari, e rischi di complicazioni. Riuscire a intercettare lesioni tumorali in fase precoce con un esame diagnostico accurato e poco costoso potrebbe contribuire a salvare vite, ridurre il numero di malati e i costi sociali e sanitari della malattia tumorale.

L’importanza di una diagnosi precoce

I tumori rappresentano una parte sempre più rilevante della spesa sanitaria nazionale a causa dell’aumento della sopravvivenza dei pazienti e del costo elevato delle terapie di nuova generazione. I sistemi sanitari si trovano a sostenere una duplice sfida: da un lato fornire le cure migliori a un numero sempre maggiore di pazienti, dall’altro erogare un’assistenza efficace ed economicamente sostenibile.
In questo contesto, il team di Moxoff è stato chiamato da un’azienda multinazionale di dispositivi per la diagnostica per immagini, a trovare una soluzione che permettesse di identificare, localizzare e tracciare una lesione del fegato in esami di ecografia con ultrasound. L’ecografia è l’esame di imaging di primo livello, cioè il primo esame che viene eseguito a scopo di indagine diagnostica e studio di un organo, che è il meno costoso sia per il paziente sia per il Sistema Sanitario Nazionale, è ripetibile ogni qualvolta necessario e non è invasivo per il paziente.

Nell’ambito della diagnosi precoce del tumore al fegato, tuttavia, ad ogni non esiste uno screening sulla popolazione generale come per altri tipi di tumore (ad esempio, seno, colonretto), tanto che, in genere, la diagnosi di tumore al fegato avviene a seguito di altri screening, o in maniera casuale, durante esami di diagnostica per immagini effettuati per altri fini.

Tutti gli algoritmi della computer vision al servizio della diagnosi

Vista la quantità di dati che costituiva il data set completo di circa 67 mila immagini, con 223 esami e per ogni esame circa 300 frames, per l’identificazione della lesione il team di Moxoff ha scelto di utilizzare un algoritmo deep neural network creato e addestrato per funzionare sull’identificazione di oggetti in immagini e fotografie in generale, ma successivamente modificato nei parametri e istruito per rilevare non oggetti comuni, ma lesioni tumorali del fegato.

Utilizzando il deep neural network, Moxoff ha dimostrato come un algoritmo derivante dalla computer vision applicato all’ecografia epatica, ovvero un esame diagnostico di primo livello poco costoso, sia possibile individuare automaticamente le localizzazioni di possibili lesioni tumorali al fegato anche di piccole dimensioni. La metodologia implementata da Moxoff consiste in due fasi consecutive: localizzazione di una o più probabili lesioni per ogni frame (Fase 1). Identificazione e tracciamento della lesione più “fisiologica” o “significativa” lungo tutto l’esame (Fase 2).

  1. Lesion detection
    Sulla base dell’immagine ecografica, l’algoritmo rileva tutte le probabili lesioni (object detection), e le racchiude con dei quadrati per evidenziarle all’occhio del medico durante l’esame, distinguendo tra lesione tumorale e lesione benigna (ciste epatica, ad esempio) con la più elevata probabilità di accuratezza diagnostica (benchmark detection)
  2. Lesion tracking
    L’algoritmo è poi automaticamente in grado di rimuovere gli oggetti falsamente evidenziati come lesioni ed evidenziare solamente la regione tumorale. Bisognava pensare a un algoritmo che non solo identifica i tumori (object detection) ma fosse anche addestrato a “tenere a mente” la posizione e seguirla nei movimenti dell’ecografo (object tracking) e nel cambio di proiezione, ma anche nei movimenti involontari del paziente come ad esempio la respirazione. Quindi l’algoritmo, addestrato sia per identificare sia per orientare una diagnosi corretta, aiutando il dottore a riconoscere e a seguire anche nel movimento la lesione, crea un quadratino che si muove nel contesto del parenchima epatico.

Essenziali sono stati gli algoritmi di computer vision (image detection, object detection, object tracking) già utilizzati anche nel settore farmaceutico nella anomaly detection, ovvero nell’intercettare un’anomalia (difetti, rotture, eccetera) nelle provette che si trovano nella pipeline indicando con un quadratino rosso l’oggetto difettoso. La stessa applicazione è stata usata per identificare una lesione (anomalia) nel fegato.

Dall’algoritmo alla diagnosi precoce che salva la vita

Sulla base degli algoritmi di neural network computer vision, Moxoff ha istruito un sistema di deep neural network in grado di aumentare la precisione diagnostica delle lesioni tumorali con un esame di primo livello, di semplice esecuzione, poco costoso per il paziente e per il Sistema Sanitario Nazionale come l’ecografia, riducendo quindi il ricorso ad esami di secondo livello molto più costosi e, in alcuni casi, non necessari. Al momento l’algoritmo non è stato ancora addestrato per distinguere tra i vari tipi di lesione tumorale, e quindi per dare la classificazione del tumore (primitivo, secondario, ad esempio) ma potrebbe impararlo se istruito con un dataset specifico.

Contattaci per ricevere ulteriori informazioni