L’IA rileva precocemente il cancro dalle immagini

Vuole sapere come l’IA rileva precocemente il cancro dalle immagini? Scopriamo insieme tutti i dettagli con INVIAI in questo articolo!

La diagnosi precoce del cancro migliora notevolmente la sopravvivenza. L’intelligenza artificiale (IA) sta ora aiutando i medici a individuare i tumori nelle immagini mediche prima e con maggiore precisione.

Addestrando modelli di deep learning su migliaia di scansioni e vetrini annotati, l’IA impara a riconoscere pattern che anche i clinici esperti potrebbero non notare.

Nella pratica, gli strumenti IA analizzano immagini come mammografie, TC toraciche, radiografie, risonanze magnetiche, ecografie e vetrini di patologia, segnalando aree sospette e quantificando il rischio.

Ad esempio, un’ecografia potenziata dall’IA ha aiutato una paziente a evitare una biopsia tiroidea non necessaria, dimostrando che il nodulo era benigno.

Gli esperti definiscono l’IA nella cura del cancro “un’opportunità senza precedenti” per migliorare diagnosi e trattamento.

Come l’IA Analizza le Immagini Mediche

I sistemi IA per l’imaging utilizzano tipicamente il deep learning (in particolare le reti neurali convoluzionali) addestrate su enormi dataset. Durante l’addestramento, l’algoritmo impara a estrarre caratteristiche (come forme, texture, colori) che distinguono i tessuti cancerosi da quelli sani.

Una volta addestrato, il modello IA esamina nuove immagini e evidenzia pattern che corrispondono alle caratteristiche tumorali apprese.

In pratica, l’IA diventa un “secondo lettore” ultra-sensibile, che segnala lesioni sottili che un umano potrebbe trascurare. Per esempio, un’IA che analizza una mammografia o una fetta di TC può evidenziare piccole calcificazioni o noduli con riquadri colorati e avvisi per il radiologo.

Le analisi IA possono anche stimare il rischio: alcuni algoritmi prevedono il rischio futuro di cancro di un paziente da una singola immagine (usando correlazioni apprese), permettendo ai medici di personalizzare gli intervalli di screening.

In un caso, un’ecografia tiroidea analizzata dall’IA ha identificato con certezza tessuto benigno, confermando i risultati della biopsia e risparmiando ansia alla paziente.

Screening del Cancro al Seno

La mammografia è un esempio principale in cui l’IA sta facendo la differenza. Studi dimostrano che il supporto IA può migliorare significativamente la rilevazione del cancro al seno durante lo screening.

In un ampio studio tedesco, i radiologi assistiti da uno strumento IA hanno individuato il 17,6% in più di tumori rispetto a senza IA.

In particolare, il gruppo assistito dall’IA ha rilevato 6,7 tumori ogni 1.000 donne contro 5,7 ogni 1.000 nel gruppo standard, riducendo anche leggermente il tasso di richiamo (falsi allarmi).

In generale, l’IA nella mammografia può:

• Migliorare sensibilità e specificità. Ricerche finanziate dal NCI riportano che gli algoritmi IA “migliorano la rilevazione del cancro al seno nella mammografia” e possono anche aiutare a prevedere quali lesioni diventeranno invasive.
• Individuare reperti sottili. L’IA può segnalare piccoli gruppi di microcalcificazioni o asimmetrie facilmente trascurabili durante lo screening di routine, fungendo da lettore esperto aggiuntivo.
• Ridurre il carico di lavoro e la variabilità. Pre-selezionando le immagini, l’IA può dare priorità ai casi sospetti per i radiologi, aiutando a gestire l’aumento dei volumi di mammografie.

Da notare che la FDA ha approvato diversi strumenti di mammografia assistita da IA (es. iCAD, SmartMammo di DeepHealth) per uso clinico, riconoscendo la loro capacità di individuare precocemente i tumori nella pratica reale.

Screening del Cancro ai Polmoni

L’IA viene applicata anche alla rilevazione del cancro ai polmoni tramite immagini mediche. Le TC a basso dosaggio (LDCT) sono usate per lo screening di fumatori ad alto rischio; l’IA può migliorare questo processo aumentando la qualità dell’immagine e la rilevazione delle lesioni.

Un vantaggio è la riduzione della dose: algoritmi di ricostruzione basati su IA possono produrre immagini TC nitide con radiazioni inferiori rispetto alle attuali LDCT.

Inoltre, i sistemi di computer-aided detection (CAD) basati su IA analizzano automaticamente ogni fetta di TC alla ricerca di noduli. Quando un potenziale nodulo viene individuato, l’IA lo evidenzia sull’immagine per l’esame del medico.

In sintesi, l’IA può agire come un secondo lettore sensibile sulle immagini polmonari.

Ad esempio, modelli recenti mostrano alta sensibilità sia per noduli benigni che maligni (con sistemi di ricerca che rilevano oltre il 90% dei noduli nelle scansioni di test). La FDA statunitense ha approvato strumenti IA per assistere lo screening del cancro ai polmoni, riconoscendone il ruolo nella diagnosi precoce.

L’IA può anche aiutare a personalizzare lo screening: combinando immagini e dati del paziente, gli algoritmi possono stratificare chi necessita di scansioni più frequenti.

(Tuttavia, gli studi CAD attuali mostrano che, sebbene l’IA trovi più noduli totali, la maggior parte dell’aumento riguarda noduli piccoli e a basso rischio, e non ha ancora incrementato significativamente la rilevazione di lesioni avanzate.)

Cancro della Pelle (Melanoma)

L’imaging dermoscopico (foto ingrandite della pelle) è un altro ambito in cui l’IA eccelle. Modelli di deep learning all’avanguardia, addestrati su decine di migliaia di immagini di lesioni cutanee, possono classificare nei come benigni o maligni con alta precisione.

In uno studio recente, una rete neurale migliorata ha raggiunto una precisione del 95–96% nell’identificare il melanoma in fase iniziale dalle immagini dermoscopiche.

Questo è importante: il melanoma in fase iniziale ha una prognosi eccellente (circa il 98% di sopravvivenza a 5 anni), mentre la sopravvivenza nelle fasi avanzate è molto più bassa.

Segnalando nei sospetti per biopsia, l’IA potrebbe aiutare i dermatologi a diagnosticare il melanoma prima.

Gli strumenti IA sono anche integrati in app o dispositivi mobili che valutano un neo fotografato e stimano il rischio, potenzialmente ampliando la diagnosi precoce anche in ambito di medicina primaria.

Screening del Cancro Cervicale

L’IA sta migliorando lo screening del cancro cervicale analizzando immagini digitali della cervice. Per esempio, il sistema CerviCARE usa il deep learning su foto di “cervicografia” (immagini simili alla colposcopia) per distinguere lesioni precancerose.

In uno studio multicentrico, l’IA CerviCARE ha raggiunto una sensibilità del 98% per lesioni cervicali di alto grado (CIN2+), con una specificità del 95,5%.

In pratica, questa IA potrebbe assistere in contesti con pochi colposcopisti esperti: l’algoritmo evidenzia automaticamente le aree di interesse, aiutando a non trascurare tessuto precanceroso.

Questo tipo di IA lavora in sinergia con il Pap test tradizionale e il test HPV per intercettare la malattia precocemente.

Il NCI segnala inoltre ricerche sull’automazione della rilevazione precancerosa nello screening cervicale tramite IA.

Screening del Cancro del Colon e del Retto

Durante la colonscopia, l’IA assiste in tempo reale. I sistemi moderni analizzano continuamente il flusso video dal colonscopio. Quando la telecamera inquadra un polipo o tessuto sospetto, l’IA lo evidenzia sullo schermo (spesso con un riquadro colorato e un allarme sonoro) per attirare l’attenzione del medico.

Colonscopia assistita da IA: il sistema ha identificato un polipo “piatto” (evidenziato in blu) che il medico può rimuovere.

Gli studi dimostrano che l’uso dell’IA in colonscopia aumenta il numero totale di polipi rilevati, soprattutto piccoli adenomi. Ciò significa che l’IA può aiutare i medici a individuare più lesioni precoci che altrimenti potrebbero sfuggire.

In uno studio ampio (lo studio CADILLAC), la rilevazione complessiva di adenomi è aumentata con l’assistenza IA. Tuttavia, gli esperti osservano che la maggior parte dell’aumento riguardava polipi piccoli e a basso rischio, e l’aggiunta dell’IA non ha incrementato significativamente la rilevazione di adenomi grandi e ad alto rischio in quello studio.

In altre parole, l’IA è eccellente nel segnalare molte piccole lesioni, ma resta da valutare se migliori la rilevazione dei precancerosi più pericolosi.

Tuttavia, un “secondo occhio” IA può ridurre gli errori dovuti alla stanchezza e abbassare la variabilità tra medici. La FDA ha approvato sistemi IA (CADe) per la colonscopia clinica per assistere gli endoscopisti nella rilevazione dei polipi.

IA in Patologia e Altri Tipi di Imaging

L’IA va oltre l’imaging in tempo reale, estendendosi alla patologia e a scansioni specializzate. I vetrini digitali di patologia (scansioni ad alta risoluzione di biopsie tissutali) vengono letti da algoritmi IA.

Per esempio, una nuova IA chiamata CHIEF è stata addestrata su oltre 60.000 immagini di vetrini interi relative a 19 tipi di cancro.

Rileva automaticamente le cellule tumorali nel vetrino e persino predice il profilo molecolare del tumore dalle caratteristiche visive. Nei test, CHIEF ha raggiunto circa il 94% di accuratezza nel rilevare il cancro su vetrini mai visti prima e su organi diversi.

Analogamente, la FDA ha approvato software IA per evidenziare le aree tumorali nei campioni di biopsia prostatica, aiutando i patologi a concentrarsi sulle zone critiche. Gli strumenti IA sono approvati anche per l’interpretazione di risonanze cerebrali e per l’ecografia dei noduli tiroidei, tra gli altri.

In sintesi, l’IA sta diventando un assistente versatile: da TC/RM a radiografie fino ai vetrini al microscopio, segnala anomalie che meritano attenzione.

Vantaggi dell’IA nella Diagnosi Precoce

In tutte le applicazioni, l’IA offre diversi vantaggi chiave per individuare il cancro precocemente:

• Maggiore sensibilità: l’IA può rilevare segnali molto sottili. Nello screening mammografico, l’IA ha individuato circa il 20–40% di tumori intervallo (tumori non rilevati alla prima lettura) quando applicata retrospettivamente a mammografie precedenti.
  Ciò significa che l’IA può rivelare tumori prima dei lettori umani.
• Precisione ed efficienza: Gli studi mostrano che le letture assistite da IA portano a meno falsi negativi e talvolta a meno falsi positivi.
  Per esempio, la mammografia con supporto IA ha aumentato il valore predittivo positivo della biopsia (cioè tumori per biopsia) in uno studio tedesco.
• L’IA può elaborare le immagini più rapidamente di un umano, permettendo ai programmi di screening di gestire carichi di lavoro crescenti senza sacrificare la qualità.
• Qualità costante: a differenza degli esseri umani, l’IA non si stanca né si distrae.
  Fornisce un livello uniforme di analisi tra i casi, riducendo la variabilità tra radiologi.
• Prevenzione di procedure inutili: Distinguendo con maggiore precisione lesioni benigne da maligne, l’IA può evitare test non necessari.
  Nell’esempio tiroideo, l’IA ha escluso con sicurezza il cancro senza bisogno di biopsia.
• In dermatologia, le app IA possono rassicurare i pazienti sui nei benigni.
  In generale, l’obiettivo è lo screening di precisione: individuare ciò che richiede davvero intervento ed evitare sovratrattamenti.
• Accesso globale: In aree con pochi esperti, gli strumenti IA possono estendere lo screening specialistico a cliniche remote.
  Per esempio, un colposcopio IA potrebbe aiutare infermiere a eseguire screening cervicale in contesti a risorse limitate.

“Gli approcci basati sull’IA possono migliorare la capacità dei clinici di valutare i tumori in modo efficiente e accurato”. In molti studi, la combinazione di IA e competenza medica supera entrambi da soli, proprio come consultare un collega esperto.

Sfide e Considerazioni

L’IA presenta anche delle sfide. Modelli addestrati su dati limitati o poco diversificati potrebbero non funzionare allo stesso modo per tutti i pazienti. Per esempio, i rilevatori IA di lesioni cutanee devono essere addestrati su tonalità di pelle varie per evitare bias.

Gli strumenti dermoscopici IA hanno evidenziato lacune nelle prestazioni su immagini con artefatti (come peli o scarsa illuminazione) e su tipi di lesioni poco rappresentati.

Nello screening, più rilevazioni possono significare più falsi allarmi: la colonscopia IA ha segnalato molti polipi piccoli, alcuni dei quali potrebbero non evolvere mai in cancro.

Rimuovere ogni piccola lesione comporta rischi propri (piccola possibilità di sanguinamento o perforazione). Perciò, i clinici devono bilanciare sensibilità e specificità dell’IA per evitare sovradiagnosi.

Integrare l’IA nei flussi clinici non è semplice. Gli ospedali necessitano di software validati e approvati dalla FDA e di formazione per il personale. Ci sono questioni regolatorie e di responsabilità su chi risponde se l’IA manca un tumore.

Molti ricercatori sottolineano che l’IA è uno strumento, non un sostituto; come ha detto un radiologo, usare l’IA è come “chiedere il parere di un collega brillante”. Studi in corso e post-marketing sono essenziali per garantire che questi strumenti migliorino davvero i risultati.

Prospettive Future

Il futuro dell’IA nella diagnosi del cancro è promettente. I ricercatori stanno sviluppando “modelli fondamentali” (IA di grandi dimensioni addestrate su dataset enormi) capaci di svolgere molteplici compiti contemporaneamente. CHIEF di Harvard è un esempio: è stato addestrato come un “ChatGPT per la patologia” su milioni di frammenti di immagini e funziona su molti tipi di cancro.

Approcci simili potrebbero presto combinare immagini con dati genetici e clinici per uno screening ultra-personalizzato. L’IA multimodale potrebbe prevedere non solo la presenza del cancro, ma anche la sua aggressività, guidando l’intensità del follow-up.

Le prestazioni dell’IA migliorano rapidamente con nuove tecniche. I sistemi CAD di nuova generazione utilizzano architetture neurali avanzate e modelli linguistici di grandi dimensioni per interpretare le immagini. Per il cancro ai polmoni, gli esperti osservano che i sistemi IA più vecchi erano “primitivi” rispetto ai modelli attuali, e si aspettano che le nuove versioni siano molto migliori.

Studi internazionali (come trial multicentrici in Europa e USA) sono in corso per validare su larga scala gli strumenti IA. Con l’accumularsi dei dati, l’IA imparerà dai risultati reali, perfezionando continuamente la sua accuratezza.

In sintesi, l’IA sta già aiutando i medici a rilevare i tumori più precocemente dalle immagini mediche – dalle mammografie e TC alle foto della pelle e ai vetrini di biopsia. Pur con alcune sfide, la ricerca all’avanguardia e le approvazioni regolatorie indicano un futuro in cui l’IA sarà un alleato standard nello screening oncologico.

Individuando i tumori nelle fasi più precoci, quando il trattamento è più efficace, queste tecnologie potrebbero migliorare gli esiti per molti pazienti nel mondo.