di Riccardo Bugliosi
Pubblicato il 20/01/2020
AGGIORNAMENTO: Il 27/01/2020 è comparso su The Verge, un autorevole sito web di tecnologia, questo articolo che analizza dal punto di vista medico, in maniera critica e ponderata, i risultati pubblicati su Nature dal gruppo Google DeepMind. La lettura di detto articolo è di sicuro fonte di riflessione e permette di approfondire tematiche che presto dovremo affrontare.
Il nostro primo articolo del nuovo anno è incentrato sui recentissimi risultati ottenuti da un software di Intelligenza Artificiale (IA) basato sul Deep Learning nell’analisi di mammografie nell’ambito dello screening per il cancro del seno. Facendo analizzare al software una grande quantità di immagini mammografiche sono state valutate sia la sua capacità e sensibilità nell’individuare il tumore del seno negli stadi iniziali sia la sua accuratezza nell’evitare i falsi positivi ed i falsi negativi.
Come risultato esso ha dimostrato ottime performances che possono essere verificate nell’articolo in oggetto che è stato pubblicato online sulla prestigiosa rivista Nature, il 1° Gennaio 2020, con il titolo “International evaluation of an AI system for breast cancer screening”. Se siete interessati a leggere l’articolo nella sua interezza lo potete scaricare sul sito di DeepMind a questo link.
Come al solito invito il lettore ad un’analisi critica di ciò che viene qui scritto e ad utilizzare i link suggeriti al fine di poter approfondire l’argomento. Sono della massima importanza la serietà ed affidabilità delle fonti da cui provengono le informazioni e confido nella la capacità del lettore di crearsi una propria visione della tematica avendone consapevolezza. Come ho più volte accennato sul web si può trovare di tutto, ovviamente anche nel campo medico.
Prevenzione
Il tumore del seno è la prima causa di morte per cancro nelle donne ma l’identificazione precoce, assieme ai trattamenti sempre in evoluzione, influiscono in maniera significativa sulla prognosi. Come conseguenza di ciò nelle nazioni maggiormente sviluppate sono stati istituiti degli screening massivi al centro dei quali è prevista la mammografia a partire dall’età di circa 40 anni. Tutto ciò con l’ovvio scopo di far leva sulla prevenzione. Le mammografie non sono lo strumento perfetto ma hanno permesso una riduzione del 30% nella mortalità per cancro del seno negli ultimi 20 anni.
Le immagini radiografiche del seno eseguite nel contesto degli screening programmati danno adito però ad una serie di problematiche delle quali la principale è che l’accuratezza ai fini diagnostici delle immagini ottenute non raggiunge il 100%. L’analisi da parte dei radiologi delle mammografie è assoggettata ad un alto numero di falsi positivi e falsi negativi.
In particolare secondo l’American Cancer Society lo screening mammario fallisce nell’identificare precocemente una neoplasia su cinque. Questo nonostante lo scrupolo che può essere adottato per la refertazione: nel Regno Unito ad esempio è previsto che ciascuna radiografia sia esaminata da due radiologi e che, in caso di disaccordo, ci si debba rivolga ad una terza opinione. Molteplici sono i fattori che influiscono sui falsi negativi e fra questi si può annoverare la presenza di parenchima mammario denso.
Nel caso dei falsi positivi si è constatato che sono più comuni tra le giovani donne che, oltre ad un parenchima denso, sono state sottoposte a biopsie ed hanno una storia di tumore del seno in famiglia oppure assumono estrogeni.
Un falso negativo comporta un’errata percezione di non avere una neoplasia in corso. Di converso i falsi positivi posso condurre alla necessità di attivare protocolli di approfondimento non necessari con esecuzione di diagnostiche spesso invasive come la biopsia. Considerando che in USA e UK combinati si eseguono oltre 42 milioni di mammografie l’anno la sfida da affrontare per migliorare l’affidabilità della refertazione appare subito enorme.
L’Intelligenza Artificiale è comparsa da tempo come uno strumento molto adatto per cercare di affrontare questa problematica. Il riconoscimento di immagini da parte di sistemi di IA è stata una delle applicazioni più diffuse a partire dalla comparsa delle Reti Neurali. La diagnostica radiologica assistita da computer (CAD Computer-Aided Detection/Diagnosis) è stata introdotta sin dagli anni ‘90 del secolo scorso ma inizialmente non ha avuto un sostanziale impatto nel settore radiologico a causa della scarsa capacità di interpretare la vasta varietà delle immagini radiografiche del mondo reale, molto più complessa per i tipi di Reti Neurali utilizzate e dei relativi subset di immagini analizzate per la creazione dei sistemi software.
A riprova della maggiore capacità di interpretare le immagine radiologiche dei nuovi sistemi c’è lo studio pubblicato su Nature che è oggetto di questo articolo.
Lo sviluppo del software è stato realizzato dagli esperti di Alphabet, società riconducibile a Google, molto avanzata nel settore dell’Intelligenza Artificiale. Questo dimostra che una società del peso di Google investe in maniera significativa in un settore importante della medicina.
Sono state sfruttate sofisticate tecnologie di Deep Learning per le Reti Neurali sviluppate nel contesto di DeepMind, società, sempre della galassia Alphabet, che ha ottenuto importanti risultati nel settore dello sviluppo di tecnologie per l’Intelligenza Artificiale.
É molto significativo inoltre che i ricercatori abbiano potuto usufruire di vasti data set di mammografie, clinicamente molto rappresentative della realtà quotidiana, provenienti dagli USA e dal Regno Unito.
Lo studio ha dimostrato che le diagnosi prodotte dal software hanno avuto performance molto positive confrontate con quelle dei radiologi e a queste conclusioni è giunto anche un parallelo studio indipendente condotto da sei radiologi che hanno supervisionato le conclusioni del gruppo di ricerca.
La ricerca è stata condotta da esperti di Google Health, dall’unità Deep Mind di Alphabet, dal Cancer Research UK, dalla Northwestern University (USA) e dal Royal Surrey County Hospital (UK).
Gli algoritmi di Deep Learning sono stati “allenati” e testati su più di 120.000 immagini mammografiche. Gli autori hanno utilizzato mammografie provenienti da circa 76.000 donne in UK e 15.000 negli USA. Tali radiografie erano relative a casi con diagnosi già conclusa e sono state la “base” su cui il software ha creato la sua conoscenza e quindi ha sviluppato la sua capacità di estrapolarla su nuovi casi.
Il Dr. Dominic King, capo progetto UK per Google Health e chirurgo specializzato nei tumori del seno, si è interessato al progetto sulla base della considerazione che nel Regno Unito la possibilità di mantenere in efficienza il sistema di screening delle neoplasie del seno mediante mammografia stia divenendo non sostenibile. É stato valutato nel 2018 che il sistema sanitario avrebbe avuto bisogno di almeno altri 1.000 radiologi occupati a tempo pieno solo a questo scopo.
Una problematica simile si è posta nell’ambito dell’oculistica ed è stata da me esposta in un precedente articolo di questa rubrica.
Nelle sue conclusioni lo studio ha mostrato una riduzione assoluta di falsi positivi del 5.7% sulle mammografie fatte in USA e del 1.2% su quelle fatte in UK. Nel caso dei falsi negativi la riduzione è stata del 9.4% in USA e del 2.7% in UK. Un’altra evidenza scaturita è stata la capacità di generalizzare le capacità diagnostiche indipendentemente dalle due rispettive tipologie di popolazione. Occorre ricordare che Google ha interamente finanziato lo studio.
Conclusioni
Gli autori nelle conclusioni del loro articolo esplicitano il fatto che al momento non hanno precisi progetti sull’utilizzo pratico e routinario del loro software. Un possibile scenario che si può immaginare è che esso, in una fase iniziale, possa associarsi come “secondo analizzatore” delle immagini radiografiche. É già stata testata questa possibilità nel sistema del Regno Unito dove le mammografie sono sempre analizzate da due radiologi.
Quando uno dei radiologi è stato sostituito dal software, il sistema radiologo/IA ha avuto delle performance mai inferiori a quelle del doppio radiologo. Estrapolando al campo della radiologia in generale possiamo citare Curtis Langlotz dell’Università di Stanford che afferma “I radiologi che utilizzano l’Intelligenza Artificiale prenderanno il posto di quelli che non lo fanno”.
É d’altronde ovvio porre l’accento su fatto che la transizione verso sistemi di IA di supporto alla radiologia debba procedere con la stessa cautela con la quale in altri ambiti stiamo sviluppando delicate tecnologie di IA come quelle per le autovetture con autopilota: obiettivo dichiarato è la massima sicurezza.
Per concludere, questo interessante articolo del New York Times riassume il parere di alcuni esperti sull’articolo in questione apparso su una rivista prestigiosa come Nature.
Addendum
Nei nostri articoli parliamo ormai spesso di Intelligenza Artificiale, Deep Learning, Robotica. Immagino si possa pensare che l’alfabetizzazione su questi argomenti per un medico possa rappresentare un problema. Credo in realtà non sia così.
Ne è un esempio l’iniziativa del governo finlandese che, tramite l’Università di Helsinki, fornisce gratuitamente online un interessante e semplice corso sull’Intelligenza Artificiale. Al momento in cui scriviamo tale corso è disponibile in varie lingue ma non l’italiano che presto, però, sarà disponibile.
A questo link potete trovare la descrizione delle finalità e dei metodi oltre alla possibilità di ricevere informazioni su ulteriori futuri corsi disponibili. In prossimo articolo cercherò di fare una breve digressione sull’Intelligenza Artificiale con un particolare taglio per noi medici. I tempi sono maturi.
A presto e buon eHealth!
Parole chiave: tumori del seno, mammografia, screening, Intelligenza Artificiale, Deep Learning, Reti Neurali, Google, Alphabet, DeepMind, Hypnerotomachia Poliphili.
Leggi tutti gli articoli di Medicina 4.0
3DBioprinting: l’utilizzo delle stampanti 3D nella Medicina Rigenerativa
L’Internet delle cose “Internet of Things” e la medicina prossima ventura
La robotica in chirurgia e medicina
Intelligenza Artificiale in medicina, l’esempio di DeepMind in oculistica
Wearable devices, big data e frequenza cardiaca
Dall’informatica medica all’eHealth
Per contattare l’autore potete scrivere una mail a comunicazione@cassagaleno.it
Riccardo Bugliosi è medico, specialista in medicina interna. Esperto di Intelligenza Artificiale.
Lavora nell’ICT in settori anche diversi dalla medicina. Ha pregressi studi in Fisica ed Ingegneria Elettronica. Le sue pubblicazioni scientifiche e di divulgazione sono facilmente reperibili sul web.
