Quando si decide per un trattamento oncologico piuttosto che per un altro, sarebbe bello poter contare su previsioni di prognosi in grado di orientare la scelta. Il mondo della ricerca sta lavorando da tempo in questa direzione, in particolare nell’ambito della radiomica, ovvero dell’applicazione dell’intelligenza artificiale alla lettura profonda delle immagini radiografiche.
PiĂą nel dettaglio, si parla di feature radiomiche, ovvero di caratteristiche tipiche della texture di un’immagine medica, che viene letta per variazioni di tomi di grigio: si può quindi allenare l’intelligenza artificiale a leggere queste texture e associarle a uno o l’altro esito.
Nel mondo della ricerca c’è persino chi pensa di utilizzare la radiomica per prevedere chi si ammalerĂ di cancro sulla base di specifiche variazioni nella texture delle immagini mediche. Restando al presente, uno studio australiano ha sviluppato un nuovo modello di intelligenza artificiale basato su reti neuronali convoluzionali (CNN) per prevedere gli outcome dei pazienti oncologici, in particolare con tumori al collo e alla testa.
Per ovviare alla possibile perdita di informazioni che deriva dalla segmentazione delle immagini ottenute da TC, dalla quale di norma si estraggono le feature, gli autori hanno deciso di partire esaminando la correlazione tra feature radiomiche e outcome clinici. Per farlo, hanno combinato due tipologie di dati: quelli ottenuti pretrattamento con TC e quelle dei contorni del volume lordo segmentato del tumore (GTV).
L’architettura del modello, come detto, si basa sul CNN, ma sfrutta anche strategie di machine learning per riuscire a rispondere alle sfide poste dalla questione sotto studio. Si tratta infatti di un ambito complesso.
Prodotto l’algoritmo, gli autori lo hanno in primis allenato utilizzando due diverse coorti di dati: in questa fase, il modello ha imparato a effettuare previsione degli outcome clinici estraendo automaticamente le feature di interesse dalle immagini TC.
Dopo la fase di allenamento, l’algoritmo mostrava una performance nel predire diversi aspetti clinici simile a quella di studi precedenti, misurata come AUC (Area sotto la curva) ovvero 0.91 per la previsione di metastasi distanti, 0.78 per il fallimento locoregionale del trattamento e 0.70 per la sopravvivenza.
Non soddisfatti, gli autori hanno proseguito nello sperimentare le capacitĂ dell’algoritmo, prima usando il dataset completo di immagini CT a proprio disposizione, e poi una combinazione di queste e di immagini dei contorni del GTV. Hanno così messo in evidenza che l’uso combinato delle immagini CT e GTV permette di migliorare significativamente la predizione di sopravvivenza, passando dallo 0.70 allo 0.83.
Inoltre, quest’ultima combinazione consente di produrre anche spiegazioni visive della predizione così intuitive da poter essere mostrate al paziente. Questo è infatti un altro importante aspetto da prendere in considerazione: l’uso di intelligenza artificiale per guidare la scelta di trattamento deve comunque prevedere l’interazione con il paziente… ma perchĂ© ciò sia possibile, è necessario avere a disposizione materiale chiaro.
Lo studio è stato condotto da vari Istituti e Dipartimenti della University of New South Wales di Sydney (Australia) e dall’Australian e-Health and Research Centre, CSIRO. L’ospedale coinvolto è il Liverpool Hospital, associato alla stessa universitĂ di Sidney.
(Lo studio: Shuchao Pang, Matthew Field, Jason Dowling, Shalini Vinod, Lois Holloway, Arcot Sowmya. Training radiomics-based CNNs for clinical outcome prediction: Challenges, strategies and findings. Artificial Intelligence in Medicine, Volume 123, 2022, 102230, ISSN 0933-3657. Doi: https://doi.org/10.1016/j.artmed.2021.102230)
Stefania Somaré
