“Radiomics: images are more than pictures, they are data”: il titolo dell’articolo di Roberto J. Gilles et al. pubblicato su Radiology sintetizza quanto emerso da “Radiomics and Artificial Intelligence 2020, from technology to the patient”, evento organizzato da Centro Diagnostico Italiano, Università di Milano e Università Campus Bio-Medico di Roma.
Oggi si parla di medicina delle 4 P, ossia di una medicina che è preventiva, personalizzata, partecipativa, predittiva.
Proprio la predittività è un elemento chiave della radiomica, che estrae informazioni predittive dalle immagini diagnostiche.
Con la radiomica la diagnostica per immagini integra dati genotipici e fenotipici negli altri dati clinici e permette di caratterizzare i tessuti in modo non invasivo.
«La radiomica ridefinisce il ruolo del medical imaging come strumento non invasivo», così Paolo Soda docente di Bioinformatica dell’Università Campus Bio-Medico, che ha fatto notare come in letteratura medica, dal 2017 a oggi, siano aumentati in modo progressivo ed esponenziale i lavori scientifici dedicati alla radiomica (principalmente applicata a neuroblastoma, tumore della mammella, del polmone, del colon-retto, della prostata.
La radiomica può incidere positivamente su alcuni fattori che caratterizzano il settore della diagnostica per immagini: per esempio, non comporta aggravio del carico di lavoro del radiologo (si lavora su immagini già acquisite, il che ha anche risvolti economici poiché ha costi minori rispetto alle indagini di laboratorio), dunque non richiede ulteriori operatori e questo ben si confà alla condizione di scarsità di radiologi che caratterizza molti Paesi.
Allo stesso modo, però, vi sono criticità che costituiscono barriere allo sviluppo del mercato della radiomica, quali: scarsità di validazione clinica su larga scala dell’efficacia degli algoritmi di deep learning nel settore, scarsità di prove concrete per dimostrare i benefici economici e i ritorni d’investimento, numero ancora relativamente limitato di prodotti presenti sul mercato, oltre a questioni etiche e legali.
Il valore del mercato mondiale dei software di analisi delle immagini medicali basati sull’intelligenza artificiale mostra però prospettive di crescita progressiva ed esponenziale: le stime dicono che si passerà dai circa 400 milioni di dollari del 2017 a oltre 2000 milioni di dollari nel 2023.
Interessante è – come riferito da Luca Boldrini, dirigente medico presso il Dipartimento di Diagnostica per Immagini – Area Radioterapia Oncologica del Policlinico Gemelli di Roma – la provenienza delle startup dedicate alla radiomica: la gran parte proviene dagli USA (50%), seguono Regno Unito e Paesi Bassi (10% ciascuno), Italia, Israele e Belgio (7% ciascuno), Germania, Austria e Spagna (3% ciascuno).
Quali sono le modalità di immagini che vengono sfruttate dalla radiomica? Si nota la netta prevalenza delle immagini TC, seguite da raggi x, sistemi ibridi, RMN, ultrasonografia e medicina nucleare.
Passando all’obiettivo dell’utilizzo della radiomica da parte dei radiologi, la diagnosi riveste il 53%.
In tutto questo si inserisce il caso di Rishab Kumar Jain, quattordicenne che ha vinto l’edizione 2019 del premio internazionale “Giuseppe Sciacca” con il suo sistema di deep learning per il tumore pancreatico: un algoritmo che, grazie all’intelligenza artificiale, localizza e traccia il pancreas durante la radioterapia guidata da RMN.
Come ha concluso Bradley J. Erikson della Mayo Clinic (Rochester, USA), «in futuro la segmentazione delle strutture anatomiche diventerà routine e il deep learning accelererà molto lo sviluppo di sistemi basati sulla radiomica».
Cristina Suzzani
