Intelligenza artificiale e risonanza magnetica, uso in clinica

Uno studio condotto dal Dipartimento di Ingegneria Biomedicale della Scuola di Ingegneria Biomedicale e Scienze dell’imaging del King’s College di Londra, dal Guy’s and St. Thomas’ NHS Foundation Trust di Londra e dalla Scuola di Ingegneria della Pontificia Universidad Católica de Chile di Santiago, in Cile, si è concentrato sull’uso dell’intelligenza artificiale applicata alla risonanza magnetica.

A questo strumento viene ancora affidata la diagnosi di molte patologie, così come il processo di decisione clinica, il follow-up, il planning pre-procedurale e viene utilizzata anche in tempo reale durante procedure di carattere chirurgico o interventistico.

Inoltre, negli anni si sono individuate nuove applicazioni della risonanza magnetica, il che aumenta il numero di immagini che devono essere processate dagli esperti. Poter affiancare la risonanza magnetica con strumenti di intelligenza artificiale capaci di velocizzare i processi e, in parte, di alleviare i clinici di una parte di carico di lavoro sarebbe molto interessante, tant’è che in letteratura si trovano una serie di proposte di strumenti. Questi, però, non vengono ancora utilizzati realmente in clinica, se non a livello sperimentale.

Tra i modelli proposti alcuni sfruttano il machine learning, altri il deep learning e altri ancora il convolutional neural network: rispetti ai primi due, quest’ultimo approccio richiede un minor numero di dati per poter essere sviluppato e allenato ed è anche più indipendente dall’uomo. Queste caratteristiche rendono il convolutional neural network particolarmente interessante.
La letteratura è ricca di esperimenti di strumenti di intelligenza artificiale applicati alla risonanza magnetica, ma, come sottolineano gli autori, le applicazioni reali sono davvero rare. Ciò succede per una serie di ragioni.

La prima è che i risultati dati da un modello di intelligenza artificiale applicato alla risonanza magnetica devono essere riproducibili e interpretabili allo stesso modo da varie equipe di lavoro: ciò è molto importante, per esempio, per rispettare le richieste normative della regolazione europea relativa alla sicurezza dei dati, nota come GDPR. Ciò significa che occorre costruire modelli solidi, che possano essere utilizzati anche in contesti diversi e siano in grado di elaborare dati provenienti da vari contesti.

Al momento, come sottolineato dagli autori, l’estensione di un modello a vari contesti è stata provata solo in studi retrospettivi, ma non esistono quasi studi che utilizzano questi modelli su nuovi dati: come si può quindi sapere che saranno davvero in grado di interpretare la risonanza magnetica di una donna sottoposta e indagine per cancro al seno, per esempio? Lo stesso si può dire per altre discipline della medicina, come l’ortopedia e la cardiologia.
C’è poi da verificare il vantaggio offerto dall’ intelligenza artificiale. Esistono studi nei quali gli esiti dati dai modelli di intelligenza artificiale equivalgono i risultati offerti da operatori umani esperti.

Certo, va sempre considerato il fatto che un modello di intelligenza artificiale non si stanca, mentre una persona sì ma di fatto al momento i modelli matematici non sono in grado di superare le prestazioni umane. Al contrario, ci sono alcuni studi che evidenziano la soddisfazione dei pazienti, perché i modelli di intelligenza artificiale velocizzano i processi. Lo studio è articolato e dettagliato e analizza a fondo il tema.

(Lo studio: Fotaki A, Puyol-Antón E, Chiribiri A, Botnar R, Pushparajah K, Prieto C. Artificial Intelligence in Cardiac MRI: Is Clinical Adoption Forthcoming? Front Cardiovasc Med. 2022 Jan 10;8:818765. doi: 10.3389/fcvm.2021.818765. PMID: 35083303; PMCID: PMC8785419)

Stefania Somaré