I modelli di intelligenza artificiale (AI) sono stati utilizzati con successo in molti campi della scienza e della tecnologia e, con la promessa di maggiore efficacia ed efficienza, si sono imposti nella vision di aziende ed istituzioni.
Uno dei progressi più importanti della ricerca nel campo dell’AI è avvenuta nell’ambito della Computer Vision (CV), l’area che si focalizza sull’analisi ed interpretazione di immagini e video.
Indice degli argomenti
L’Intelligenza Artificiale al centro della Diagnostica per Immagini
La disciplina medica della Diagnostica per Immagini si è ritrovata al centro di un fervore scientifico e produttivo che ha tutte le premesse per portare ad una disruption nell’interpretazione delle immagini mediche.
L’utilizzo dell’AI in Radiologia ha mostrato grandi successi nel rilevare e classificare anomalie su radiografie, scansioni tomografiche computerizzate (CT) e di risonanza magnetica (RM), portando a diagnosi più accurate e ad una maggiore efficienza dei processi decisionali.
Un articolo, pubblicato di recente su “The New England Journal of Medicine (NEJM)”, si propone di illustrare la situazione attuale e gli scenari futuri dell’utilizzo di tecniche di Intelligenza Artificiale nella Diagnostica per Immagini.
AI in Radiologia: PACS, RIS e DICOM
La Radiologia, rispetto ad altri campi della Medicina, è in una posizione favorevole per adottare gli algoritmi e le infrastrutture di AI.
I fattori chiave sono la presenza di un flusso di lavoro digitale stabilito e di standard universali per l’archiviazione delle immagini: basti pensare a PACS (Picture Archiving and Communication System), RIS (Radiology Information System) ed allo standard DICOM (Digital Imaging and Communications in Medicine).
PACS (Picture Archiving and Communication System) è un sistema di archiviazione e comunicazione delle immagini radiologiche. Consiste in un insieme di hardware e software che permette di acquisire, archiviare, visualizzare e condividere le immagini diagnostiche generate dai dispositivi di imaging medico.
PACS elimina la necessità di utilizzare pellicole radiografiche tradizionali, consentendo una gestione digitale e centralizzata delle immagini. Ciò facilita la visualizzazione delle immagini da parte dei medici e la condivisione delle stesse tra diverse strutture sanitarie.
RIS (Radiology Information System) è un sistema di informazione radiologica che si occupa della gestione delle attività amministrative e cliniche del reparto di radiologia.
RIS registra e gestisce informazioni come gli appuntamenti dei pazienti, la pianificazione degli esami radiologici, l’archiviazione dei referti e l’integrazione con il PACS.
Fornisce una piattaforma centrale per la gestione dei dati relativi alla radiologia, facilitando la programmazione degli esami, la generazione dei referti e la comunicazione tra i membri del team medico.
DICOM (Digital Imaging and Communications in Medicine) è uno standard internazionale per l’acquisizione, l’archiviazione, la trasmissione e la visualizzazione delle immagini mediche.
Questo standard definisce un formato comune e una struttura dati per le immagini radiologiche digitali, consentendo l’interoperabilità tra diversi sistemi e dispositivi di imaging.
DICOM permette di associare informazioni cliniche ai dati dell’immagine, come i referti medici, i parametri di acquisizione e altre informazioni rilevanti. È essenziale per garantire che le immagini radiologiche possano essere facilmente condivise e interpretate correttamente da diversi professionisti sanitari e sistemi informatici nel contesto medico.
L’esistenza dei suddetti sistemi standardizzati offre una grande opportunità, fornendo una solida base strutturale per l’integrazione dell’AI.
Intelligenza Artificiale e Diagnostica per Immagini nella diagnosi precoce
Gli algoritmi radiologici possono migliorare i processi preliminari di elaborazione delle immagini, compresa l’acquisizione e ricostruzione dell’immagine e la mitigazione del rumore; possono, inoltre, svolgere una serie di funzioni per assistere i radiologi.
L’Intelligenza Artificiale, ad esempio, è utilizzata per la rilevazione, localizzazione e classificazione di condizioni come noduli polmonari ed anomalie mammarie (è il caso, ad esempio, per stare nel nostro Paese, del dispositivo basato sull’AI utilizzato all’IRCCS Policlinico di Sant’Orsola per supportare le attività di diagnosi precoce dei noduli ai polmoni).
Strumenti di questo tipo posseggono capacità interpretative che possono, in alcuni casi, superare quelle degli operatori esperti, in particolare nella predizione di esiti clinici tramite biomarkers digitali.
AI in Radiologia: radiologi soddisfatti ma anche preoccupati
L’AI in radiologia ha attirato un interesse globale e gli algoritmi commerciali sono oggi sviluppati da aziende con sedi in oltre 20 paesi.
La Food and Drug Administration (FDA) ha approvato più di 200 prodotti commerciali di intelligenza artificiale per la Radiologia.
Nonostante alcuni ospedali e centri di cura utilizzino già con successo questi prodotti, è necessario superare alcuni ostacoli sostanziali prima che sia possibile vedere un uso clinico diffuso e di successo.
I radiologi che utilizzano l’AI nella loro pratica clinica sono generalmente soddisfatti della loro esperienza e riportano quanto questa fornisca valore a loro e ai loro pazienti.
Tuttavia, emergono preoccupazioni causate dalla mancanza di conoscenza e di fiducia e dai possibili cambiamenti nell’identità e nell’autonomia professionale.
Tra gli elementi che possono aiutare a superare le suddette preoccupazioni:
- presenza di colleghi esperti di AI
- istruzione e formazione
- supporto.
Un ruolo da copilota nel futuro dell’AI in Radiologia
La maggior parte dei radiologi si aspetta cambiamenti sostanziali nella professione entro la prossima decade e crede che l’AI dovrebbe avere un ruolo come “copilota”, agendo come secondo lettore e migliorando la gestione del flusso di lavoro.
Anche se la presenza dell’AI nel mercato statunitense è attualmente stimata solo al 2%, l’attenzione dei radiologi ed il potenziale della tecnologia indicano che ulteriori progressi nell’adozione nella pratica clinica sono probabili nell’immediato futuro.
Intelligenza Artificiale nella Diagnostica per Immagini anche per medici non radiologi?
L’uso dell’AI in campo radiologico non è limitato solo ai radiologi, ma sta emergendo una tendenza globale verso l’utilizzo di questi strumenti da parte di clinici non radiologi e altri operatori sanitari.
Questo potrebbe migliorare l’accesso all’imaging medico e ridurre gli errori diagnostici in ambienti caratterizzati da scarse risorse e nei reparti di emergenza-urgenza.
Le tecniche di AI hanno la capacità di accelerare l’acquisizione di immagini mediche al di fuori dei flussi di lavoro di riferimento tradizionali, ad esempio tramite strumenti portatili come lo Swoop (risonanza magnetica portatile controllabile tramite un tablet) oppure sonde ecografiche collegabili agli smartphone.
Questo tipo di utilizzo, sebbene non ben consolidato, è stato citato come una potenziale minaccia a lungo termine per la Radiologia come specialità, perché i modelli avanzati di intelligenza artificiale possono ridurre la complessità dell’interpretazione tecnica in modo che un medico non radiologo possa utilizzare l’imaging senza fare affidamento su un radiologo specializzato.
Ad ogni modo, questa tendenza emergente all’utilizzo di algoritmi di interpretazione delle immagini radiologiche al di fuori del loro normale dominio di riferimento può permettere una maggiore accessibilità e, in ultima analisi, migliorare la salute dei pazienti.
AI in ambito clinico: gli ostacoli da superare
Ci sono ancora alcuni ostacoli da superare prima di poter assistere ad un’adozione più ampia dell’AI in ambito clinico, tra cui la sfida della generalizzabilità: la presenza di tali piattaforme, in Radiologia, solleva la questione della loro efficacia per tutte le tipologie di pazienti, poiché i modelli sottostanti non sono spesso testati al di fuori dell’ambiente in cui sono stati sviluppati.
Se, da un lato, c’è una scarsità di clinical trials controllati, dall’altro molti modelli radiologici peggiorano le prestazioni quando vengono applicati a pazienti diversi da quelli utilizzati per lo sviluppo del modello, un fenomeno noto come “data set shift“.
Una presenza ubiquitaria di tali strumenti in Radiologia richiede la necessità di garanzie di validazione che includano una maggiore collaborazione tra clinici e AI e garanzie di trasparenza e monitoraggio per migliorare la generalizzazione degli algoritmi in nuovi contesti.
Alla base della diffusione e del corretto utilizzo dell’AI c’è la comprensione e l’implementazione dei rispettivi punti di forza e debolezza dell’operatore umano e dello strumento tecnologico: analogamente a ciò che è successo nel campo degli scacchi, la performance migliore sembra essere quella prodotta da una adeguata collaborazione tra i due, anche se molti studi hanno riportato risultati incerti.
Se la collaborazione tra clinici e AI può migliorare il processo di diagnosi e cura, la mancanza di trasparenza nei modelli AI può ostacolare la comprensione e la fiducia dei clinici.
Il principale problema aperto è, forse, l’interpretabilità dei modelli, che vede i clinici riluttanti nell’utilizzare delle black-box di cui non possono analizzare i ragionamenti dietro gli output.
La trasparenza è anche un problema nella valutazione della generalizzazione degli algoritmi di AI in campo medico, poiché – di frequente – manca una valutazione indipendente dei modelli: dai report degli strumenti approvati dalle autorità regolatorie mancano spesso, infatti, informazioni fondamentali come numerosità campionaria, caratteristiche demografiche e specifiche dei dispositivi utilizzati.
Modelli di AI: come renderli affidabili per la pratica clinica
Il succitato articolo del NEJM cita alcuni soluzioni plausibili alle problematiche fin qui individuate, ad esempio:
- l’utilizzo di checklist specifiche
- la cura di dataset pubblici di immagini mediche come benchmark per l’efficacia dei prodotti di AI (con i conseguenti problemi di privacy, costi elevati e sovrarappresentazione di specifiche popolazioni di pazienti)
- il federated learning che apre la possibilità di eseguire l’addestramento dei modelli in maniera decentrata
- la condivisione di dataset ad ampia eterogeneità per migliorare la generalizzabilità dei risultati.
Il monitoraggio degli strumenti nella pratica clinica può migliorare l’accuratezza e l’affidabilità, ma le restrizioni regolatorie possono limitare l’aggiornamento dei modelli dopo l’approvazione.
Questo implica che i cambiamenti in prevalenza ed incidenza delle patologie, i progressi nella tecnologia medica e nella pratica clinica, non si riflettono in un’adeguata performance dei modelli. E’ quindi fondamentale l’aggiornamento continuo mediante il feedback dei clinici ed anche tramite tecniche come il continual learning (addestramento continuo del modello).
Intelligenza Artificiale e Diagnostica per immagini: verso modelli generalisti
L’attuale generazione di modelli per la Radiologia si concentra principalmente su un insieme limitato di compiti di interpretazione, come la rilevazione di lesioni specifiche o la classificazione di determinate patologie.
Tuttavia, questo approccio parziale non riflette appieno la complessità e la varietà di compiti che i radiologi affrontano quotidianamente. Di conseguenza, molti professionisti della Radiologia sono stati inizialmente scettici sull’adozione di tecniche di Intelligenza Artificiale (AI) nella loro pratica.
C’è però una nuova generazione di modelli AI medici generalisti che si sta sviluppando e potrebbe cambiare il panorama radiologico.
Questi modelli generalisti sono progettati per affrontare il compito di interpretazione delle immagini radiologiche nella sua totalità, coprendo una vasta gamma di patologie e condizioni mediche. La loro potenziale capacità di assistere l’intero processo diagnostico e terapeutico potrebbe portare a un’evoluzione significativa nella pratica radiologica.
I modelli di AI generalisti in Cardiologia ed Oncologia
Tra gli ambiti in cui questi modelli AI generalisti potrebbero avere un impatto significativo, vi sono l’identificazione precoce degli ictus e la rilevazione dei tumori.
Grazie alla loro capacità di analizzare grandi quantità di dati radiologici, questi modelli possono individuare segni precoci di ictus e fornire una diagnosi tempestiva, consentendo l’avvio di interventi terapeutici rapidi ed efficaci.
Nello specifico, possono aiutare nella rilevazione di emorragie cerebrali, ostruzioni dei vasi sanguigni o tessuto cerebrale ischemico, facilitando il lavoro dei radiologi e migliorando l’esito clinico per i pazienti colpiti da ictus.
L’AI “scopre” nuove patologie senza addestramento
Inoltre, gli sviluppi recenti nell’ambito dell’AI hanno portato a nuove possibilità come lo “zero-shot learning“. Questo approccio permette ai modelli di apprendere nuove patologie o condizioni senza un addestramento specifico precedente. In pratica, un modello potrebbe essere addestrato su un insieme di immagini radiologiche relative a determinate patologie, ma successivamente riuscirebbe a riconoscere e interpretare correttamente altre patologie mai incontrate in fase di addestramento. Questa flessibilità e capacità di adattamento rappresenta un progresso significativo nell’implementazione dell’AI in radiologia.
Nuove frontiere: modelli multimodali e auto-supervisionati
Un’altra frontiera promettente è rappresentata dai modelli multimodali, che integrano l’analisi delle immagini radiologiche con altre modalità di dati clinici, come testi e referti medici. Questa integrazione consente ai modelli di comprendere contesti clinici complessi e di fornire una valutazione più accurata dei casi, combinando le informazioni dalle diverse fonti di dati.
Allo stesso modo, i modelli auto-supervisionati stanno emergendo come una metodologia promettente, in cui i modelli imparano a interpretare le immagini radiologiche senza la necessità di etichette o annotazioni esplicite, utilizzando informazioni intrinseche
presenti nei dati stessi.
Il futuro dell’Intelligenza Artificiale nella Diagnostica per Immagini
Il progresso del settore della Radiologia è destinato a essere notevolmente accelerato dallo sviluppo e dall’implementazione dei modelli di Intelligenza Artificiale (AI).
L’avanzamento verso modelli AI medici generalisti, in grado di elaborare dati di imaging, discorsi e testo medico, e di generare output che riflettono un ragionamento medico avanzato, apre nuove prospettive per la pratica radiologica.
I futuri modelli di AI potranno fornire spiegazioni dettagliate in linguaggio naturale, indicazioni vocali e annotazioni di immagini che rispecchiano un ragionamento medico sofisticato. Saranno in grado di generare output di testo personalizzati in base alle caratteristiche specifiche delle immagini mediche, rispondendo alle esigenze e alle domande degli utenti finali in modo più accurato ed efficace. Questo livello di personalizzazione e comprensione contestuale consentirà ai medici di ottenere informazioni e supporto di alta qualità durante la pratica radiologica.
L’AI destinata a rivoluzionare la Sanità: ma l’uomo resti al centro
L’integrazione di modelli AI medici generalisti nella Radiologia promette di trasformare non solo questa disciplina, ma anche l’intero settore sanitario.
Questi modelli di AI potrebbero aiutare i radiologi a migliorare l’accuratezza e l’efficienza delle diagnosi, consentendo una valutazione più tempestiva e una gestione ottimizzata delle patologie. Inoltre, potrebbero fornire una guida preziosa per la pianificazione dei trattamenti, aiutando i medici a prendere decisioni informate e personalizzate.
In generale, il potenziale dei modelli di AI medici generalisti per fornire soluzioni complete nel campo della Radiologia è destinato a trasformare non solo questa disciplina, ma anche la Sanità nel suo complesso.
Il loro impatto potrebbe estendersi oltre la Radiologia, influenzando anche altre specialità mediche e migliorando l’efficacia complessiva della cura dei pazienti.
Tuttavia, è importante sottolineare che, nonostante i progressi dell’AI, la presenza e l’importanza del radiologo umano restano fondamentali, poiché l’AI dovrebbe essere considerata come uno strumento di supporto e collaborazione per i professionisti sanitari.
