Possiamo già fidarci dell'intelligenza artificiale per diagnosticare il cancro?

Quale sarà il posto di domani per l'intelligenza artificiale (AI) in medicina? I problemi diagnostici potrebbero non essere più risolti da un Dr. House ma dal suo alter ego digitale? In effetti, l'intelligenza artificiale sta già superando l'occhio nel rilevare alcuni tumori dalle immagini radiologiche (mammografie, risonanza magnetica)... Il che ha portato alcuni a dire che i computer sostituiranno presto gli esperti umani.

Ma, contrariamente a queste previsioni, il il radiologo non è scomparso : al contrario, tra lui e la macchina che doveva prendere il suo posto si è instaurata una “collaborazione” inaspettata. Il primo lavora per incanalare le capacità ei punti di forza del secondo al fine di migliorare l'interpretazione e la diagnosi a beneficio dei pazienti.

Questa questione di aiuto alla corretta diagnosi è centrale, e vale entrambe le cose psichiatria dove anche l'IA sta muovendo i primi passi che in oncologia… Nemmeno in anatomia patologica "l'esame di organi, tessuti o cellule per identificare e analizzare anomalie legate a una malattia (cancro, ecc.)", le prospettive e le promesse sono enormi.

L'intelligenza artificiale è già in grado di effettuare tali analisi? Potrebbe rivelarsi più efficiente dell'esperto umano?

Le incomprensioni e la confusione abbondano ed è importante capire perché. È questo punto che vi proponiamo qui.

Cosa ha permesso i primi passi della “patologia digitale”

Per l'AI, come per qualsiasi specialista umano, la diagnosi si basa, tra l'altro, su un oggetto tanto semplice quanto essenziale: i vetrini su cui il patologo pone una sottilissima "fetta" del tessuto da analizzare ( polmone, fegato, ecc.), per osservarlo al microscopio.

Attraverso questa analisi microscopica, il patologo può identificare diversi tipi di cellule, confrontare le loro forme o persino la loro organizzazione spaziale (architettura) per identificare cluster anomali, ad esempio i tumori.

La digitalizzazione di massa di queste diapositive ha aperto la strada all'uso dell'intelligenza artificiale nell'anatomia patologica. L'avvento di scanner adattati consente, in un numero crescente di ospedali, l'acquisizione e l'archiviazione di vetrini per microscopia in formato digitale. Le diapositive originali vengono comunque conservate... cosa che non sarà necessariamente possibile per tutte le loro versioni digitalizzate, a causa del costo di archiviazione.

Questa procedura, che apre la strada alla “patologia digitale”, ha permesso di lavorare su algoritmi destinati a svolgere la loro analisi in modo automatizzato. Con l'obiettivo che l'IA possa assistere il patologo nella sua diagnosi. È utile anche per motivi ergonomici e per risparmiare tempo.

I vetrini sono tradizionalmente osservati al microscopio. Ora possono essere digitalizzati per lo studio sullo schermo di un computer. Ciò consente anche di trasmetterli a reti neurali artificiali.
DR, Fornito dall'autore

Ma come l'essere umano, la macchina (il più delle volte reti neurali artificiali) deve essere addestrata. Innanzitutto, deve essere in grado di "guardare" le lame e capire di cosa si tratta. Questa analisi utilizza la tecnologia di riconoscimento dei modelli come tecnica di base.

In secondo luogo, deve essere in grado di interpretare ciò che “vede”. L'intelligenza artificiale si basa sulla nozione di apprendimento e sulla capacità di inferire, cioè di trasferire le conoscenze acquisite durante la sua formazione e addestramento ad altre situazioni, comparabili ma non simili: ad esempio, riconoscere una micrometastasi linfonodale del cancro al seno (insieme di pochi tumori cellule che possono passare inosservate) avendo visto in precedenza altre immagini di metastasi.

Va notato che i vetrini digitalizzati contengono molti più pixel delle immagini radiologiche e contengono migliaia di cellule, quindi sono particolarmente ricchi di informazioni che gli algoritmi potrebbero sfruttare.

[Quasi 80 lettori si affidano alla newsletter di The Conversation per comprendere meglio i principali problemi del mondo. Iscriviti oggi]

Un assistente digitale veloce e affidabile...

Le ricerche e le prove attuali mostrano che l'intelligenza artificiale potrebbe in definitiva essere rilevante in diverse aree:

• automazione delle attività più ripetitive e soggettive,
• aiuta nel rilevamento del tumore, nella valutazione dell'aggressività e nella sottotipizzazione,
• conteggio delle cellule tumorali, specialmente quelle in divisione (mitosi),
• valutazione dell'intensità della risposta immunitaria (numero di linfociti che attaccano il tumore).

Gli interessi sono molteplici: restituire tempo al patologo umano affinché possa dedicarsi ai compiti più complessi dove il valore aggiunto umano è reale, rendere la diagnosi finale più veloce e affidabile. E, cosa importante nella scienza, i risultati delle analisi AI sono generalmente riproducibili.

Possiamo già identificare casi concreti in cui il contributo dell'IA è rilevante:

• Rilevamento del cancro al seno: gli algoritmi sono più efficienti del patologo nel rilevare rilevazione di micrometastasi nei linfonodi del cavo ascellare.
• Valutazione della prognosi del cancro al seno: le reti neurali artificiali identificano efficacemente i marcatori cellulari realizzati utilizzando anticorpi specifici (tecnica di immunoistochimica). Nel carcinoma mammario, la quantificazione dell'espressione della proteina HER2 nelle cellule tumorali consente di valutare la prognosi della malattia e la risposta a determinati farmaci: questa proteina stimola la progressione cancerosa. La diagnosi assistita da computer sarebbe quindi del tutto rilevante.
• Aggressività del cancro alla prostata: questo è valutato dal Punteggio Gleason, che è determinato dall'analisi microscopica delle biopsie della prostata. Stabilire un punteggio di Gleason richiede l'analisi di molte diapositive e ancora una volta richiede tempo. Gli studi hanno dimostrato a buon accordo tra la valutazione fatta da un patologo e quella di una rete neurale artificiale.

…anche un vero collega

Oltre al suo aiuto con compiti ripetitivi in ​​​​cui l'esperienza umana contribuisce poco, l'IA ha vantaggi specifici nella quantità di informazioni che può elaborare. È così in grado di estrarre ulteriori dati rilevanti per la cura del paziente, che sono certamente disponibili di routine ma spesso “nascosti” perché non rilevabili all'occhio umano.

L'intelligenza artificiale è efficace nel contare le cellule tumorali, specialmente nella divisione (come qui). Potrebbe anche associare aspetti microscopici e specifiche mutazioni genetiche del cancro.
Al-Janabi S et al., CC BY

Gli esempi più noti sono l'identificazione di anomalie genetiche o genomiche nei tumori e l'ulteriore valutazione della prognosi e della risposta al trattamento.

Una diagnosi di cancro viene solitamente effettuata dall'analisi di un tumore (dopo la sua biopsia o escissione), posto su vetrini per lo studio al microscopio, come abbiamo notato sopra. Già ricchi di informazioni, questi primi esami possono essere integrati da analisi genetiche: individuando mutazioni specifiche del tumore, permettono di caratterizzarlo meglio. Gli specialisti sono quindi maggiormente in grado di impostare un trattamento adeguato. Ma queste analisi aggiuntive "consumano" il tessuto tumorale e richiedono tempo.

La mera osservazione dei vetrini digitalizzati potrebbe consentire agli algoritmi di rilevare le mutazioni rilevanti, senza ricorrere all'analisi genetica. Ciò consente di risparmiare tempo, denaro e materiale tumorale ("risparmio di tessuto") - quest'ultimo può essere risparmiato per altre analisi.

La rilevazione delle mutazioni è possibile correlando una forma o un'architettura del tumore (vista al microscopio) con la presenza di mutazioni precedentemente identificate dal sequenziamento del DNA (lettura). L'algoritmo deve imparare ad associare aspetti microscopici e mutazioni.

Lo stesso apprendimento potrebbe essere implementato per collegare aspetti microscopici e risposta o prognosi ai farmaci.

Limiti ancora forti

Anche se l'intelligenza artificiale migliorerà sicuramente nel medio termine la diagnosi dei tumori e la cura dei pazienti, lo sviluppo di algoritmi adeguati è lungo e costoso.

Molti esempi di immagini (idealmente diverse migliaia), normali e patologiche, sono infatti necessari per costituire i diversi set su cui si allenerà. Ciò richiede database di grandi dimensioni, in cui ogni esempio è stato annotato da un patologo e queste raccolte di immagini richiedono grandi capacità di archiviazione e la loro annotazione di digitalizzazione rappresenta un budget considerevole.

Le prestazioni dell'IA dipendono dalla qualità dei dati forniti durante il suo addestramento, il che la rende non esente da pregiudizi. Può persino amplificare i pregiudizi presenti nei set di allenamento. E, come un occhio umano ben addestrato, può commettere errori.

Infine, la futura implementazione di questi modelli digitali accanto ai medici nella cura "reale" dei pazienti richiederà la definizione di standard e un quadro normativo, come è avvenuto per le analisi genetiche dopo l'avvento del sequenziamento ad alto rendimento.

Infatti, questo sviluppo richiederà la condivisione di alcuni dati medici, che va contro l'etica e il segreto medico. La loro condivisione tra i centri è necessaria per la costituzione di grandi database, essi stessi necessari per lo sviluppo di algoritmi affidabili. E se i dati sono sempre anonimizzati, il loro eventuale trasferimento tramite Cloud pone problemi di riservatezza (rischio di hacking).

Inoltre, per consentire la valutazione in tempo reale della prognosi della malattia e della risposta al trattamento, gli algoritmi dovrebbero essere in grado di operare direttamente dalla cartella clinica elettronica. Ciò può essere fatto solo rispettando le raccomandazioni dell'Agenzia europea per i medicinali che devono ancora essere istituite.

Prospettive future

Nonostante questi ostacoli, la transizione è iniziata. In definitiva, l'obiettivo è per l'IA integra i dati multimodali, dai quattro strati dell'oncologia moderna: microscopia, radiologia, genetica e pratica clinica. Questa integrazione porterà a modelli più efficienti, in particolare per la valutazione della prognosi. Entro cinque anni, l'intelligenza artificiale potrebbe lasciare il campo della ricerca ed essere utilizzata nelle cure di routine.

L'avvento della patologia digitale si preannuncia, in ogni caso, una svolta importante a vantaggio dei pazienti.

Audrey Rousseau, Professore di Anatomia Patologica - Medico docente-ricercatore presso l'Ospedale Universitario di Angers, Università di Angers et Leslie Tessier, PhD student, stagista in anatomia patologica e citologia, RadboudUMC, Nijmegen, Università di Angers

Questo articolo è ripubblicato da The Conversation sotto licenza Creative Commons. Leggi ilarticolo originale.