La nuova sfida della Radiologia del XXI secolo
Come altre specialità di quel vasto mondo che è la medicina, la diagnostica per immagini deve affrontare una serie di sfide continue: tra di esse abbiamo la riduzione del rimborso per i rapporti e le procedure radiologiche, oppure l’incremento del burnout del medico. Tuttavia, la sfida più intrigante e recentemente discussa in questo campo è considerata l’introduzione progressiva nella pratica clinica del cosiddetto “deep learning”, ossia l’apprendimento profondo e della visione artificiale.
Ma in cosa consiste il deep learning? Semplicemente è la capacità dell’IA (Intelligenza Artificiale) di imparare dai propri sbagli, attraverso una serie di complessi algoritmi matematici, consentendole di aggiustare progressivamente il tiro nel campo in cui sta “studiando”. La “visione artificiale” è invece qualcosa di molto comune ai giorni nostri, infatti sui nostri smartphone esistono già dei sistemi che ci consentono di inquadrare oggetti o frasi ed identificarle. Ebbene, l’idea di avere una scatola nera, in cui un’immagine radiologica venga analizzata con l’immediata produzione di una relazione completa, è universalmente considerata la più significativa delle sfide in ambito radiologico.
Per determinare meglio come la diagnostica per immagini può interagire con i sistemi integranti forme di apprendimento automatico, il primo passo è capire esattamente le caratteristiche ed i limiti delle tecnologie che si stanno sviluppando. Molteplici computer interconnessi volti a formare le cosiddette “reti neurali”, si stanno avvicinando ai livelli di prestazione umana nel rilevare lesioni maligne o benigne in campi diagnostici come quello delle mammografie.
L’algoritmo è stato in grado di identificare con successo emorragie acute, effetto massa, idrocefalo e sospetti infarti acuti, contrassegnando questi studi come critici ed inserendoli tra quelli con maggior priorità meritevoli di una valutazione radiologica prioritaria in un contesto di lavoro ad alto volume. L’obiettivo in tal senso non è sicuramente la competizione di un IA con il radiologo ma il supporto nella definizione di un servizio migliore, più rapido ed efficiente per i pazienti.
Un’ulteriore abilità dell’IA per migliorare il flusso di lavoro in radiologia include l’analisi delle note mediche e dei precedenti referti radiologici, per aiutare il radiologo a ricostruire la storia del paziente nei punti salienti fondamentali per un’adeguata relazione (referto radiologico). Tale automazione da sola potrebbe fornire al radiologo una storia clinica più strutturata in grado di migliorare l’interpretazione delle indagini specie dei pazienti più complessi.
Allo stesso modo, l’intelligenza artificiale può aumentare l’accuratezza e la produttività misurando automaticamente alcune caratteristiche delle lesioni e correlando le variazioni di dimensione con studi precedenti, in modo da elencare i risultati per velocizzare l’interpretazione delle immagini diagnostiche e fornire una migliore assistenza radiologica. L’obiettivo di tale sistema di assistenza è migliorare l’ambiente lavorativo riducendo il burnout, in modo da concentrare maggiormente l’attenzione e l’esperienza medica nella cura del paziente.
Oltre ai vantaggi nel migliorare il rilevamento e l’efficienza della diagnosi, il ruolo potenziale dell’IA auspicabile in ambito prognostico e di stratificazione del rischio nell’era delle terapie personalizzate è enorme. Le applicazioni di intelligenza artificiale come l’analisi della densità, della forma o del segnale possono avere implicazioni nel rilevare se una lesione è benigna o maligna e prevedere ulteriormente i risultati a lungo termine, agendo essenzialmente come una biopsia digitale non invasiva. Per quanto sia impressionante il potenziale dell’IA nella radiologia, esistono ancora molte criticità che sono state documentate in diversi studi, mettendo a nudo le attuali debolezze di tali modelli.
Diverse esperienze hanno dimostrato la pericolosa capacità di “allucinare” le reti neurali. In un famoso esempio, il sistema Cloud Vision di Google è stato indotto a definire “cane” un’immagine chiaramente visibile di due uomini con gli sci, semplicemente perché un piccolo numero di pixel tratti da un’immagine di cane sono stati inseriti in particolari parti dell’immagine degli sciatori in questione. Simili risultati inquietanti sono sorti con il metodo degli attacchi di sabotaggio “backdoor” su reti neurali. Ma forse uno degli aspetti più pericolosi dal punto di vista medico è che le reti di “deep learning” in generale tendono ad essere delle “scatole nere”, in quanto i risultati talvolta sono difficili sia da spiegare che da convalidare.
I tre punti di riflessione importanti sull’intelligenza artificiale
1. I radiologi devono modellare e moderare la conversazione sul futuro dell’imaging medico. Uno degli aspetti più importanti è che le competenze dell’intelligenza artificiale nell’ambito radiologico sono state modellate nell’applicazioni in diagnostica per immagini da ingegneri del software, statistici ed investitori, che non solo mancano di una completa comprensione delle complessità della professione, ma non considerano la cura del paziente preminente come fanno radiologo e clinici. Va inoltre considerato che nel tentativo di operare un cambiamento di settore le aziende utilizzano pacchetti di dati sanitari risalenti a decenni fa, risultanti da studi pregressi, pur sapendo che i dati in medicina subiscono profondi cambiamenti già dopo pochi anni.
2. Comprendere la tecnologia e i suoi limiti per i professionisti sul campo sarà indispensabile. Il radiologo si trova in una posizione privilegiata, in quanto deve essere chiamato a differenziare un artefatto da imaging rispetto alla vera patologia (ad esempio un artefatto dato dall’indurimento del fascio causato da un osso più spesso, da una emorragia intracranica).
3. Il Deep Learning da qualcuno è sentito come una minaccia più che un’opportunità. La radiologia ha assunto un ruolo guida nell’implementazione di molte forme avanzate di tecnologia nell’ambito sanitario, allo stato attuale per l’IA sono stati pensati alcuni compiti umili della radiologia, come misurare i cambiamenti dei noduli polmonari nel tempo oppure valutare la variazione delle dimensioni delle lesioni della sclerosi multipla nello screening delle colonscopie o la diagnosi di anomalie elettrocardiografiche.
Siamo agli albori di un cambiamento che in questo secolo cambierà radicalmente il mondo medico e la radiologia se ne farà portavoce: un futuro ove sarà più semplice implementare algoritmi di “deep learning” nelle cure cliniche, in cui l’intelligenza artificiale si disporrà al servizio del radiologo per affinare le sue abilità e ridurre i tempi diagnostici, plasmando il futuro dell’assistenza sanitaria.
