Applicazione dell’intelligenza artificiale in ecografia

Negli ultimi anni l’intelligenza artificiale (AI) e le sue possibili applicazioni in medicina, stanno diventando uno dei temi principali della discussione scientifica e politica, e stanno iniziando ad essere affrontate anche da parte dell’opinione pubblica.

Durante il secolo scorso, la nostra capacità di innovazione e di eseguire calcoli complessi è esponenzialmente aumentata, grazie alla disponibilità di nuovi mezzi informatici e di calcolo sempre più complessi e in continua evoluzione. Con il termine intelligenza artificiale (AI) ci si riferisce a sistemi informatici complessi con capacità di individuare ed acquisire dati e obiettivi clinici, di “ragionare”, di generalizzare ed imparare dall’esperienza passata, quindi in grado di eseguire attività che normalmente richiedono l’interazione umana. Alcuni esempi dell’applicazione dell’AI, ben noti all’opinione pubblica, ed utilizzati quotidianamente sono la guida automatizzata delle automobili e i software di riconoscimento vocale (che tutti abbiamo incorporato nel nostro smartphone).
Secondo la dichiarazione della “Food and Drug Administration” degli Stati Uniti le tecnologie basate sull’intelligenza artificiale hanno il potenziale per trasformare l’assistenza sanitaria creando nuove e innovative metodologie di approccio, formulate basandosi sull’enorme quantità di dati che si vengono a generare giornalmente durante attività di assistenza sanitaria.

È chiaro che un prerequisito fondamentale è la disponibilità dei cosiddetti “big data” che possono derivare: (i) Dalle conoscenze cliniche edge (ad es. cartelle cliniche elettroniche); (ii) Risultati di laboratorio (ad es. dati OMICS, come genomica, trascrittomica, programmazione teomica); (iii) Imaging (dati PACS derivati da diverse modalità), e la loro integrazione. A oggi nel campo medico, l’intelligenza artificiale è già stata utilizzata soprattutto in farmacologia:

• nella progettazione di nuovi farmaci.
• nei controlli di interazione farmacologica necessaria all’approvazione degli stessi.

Altri campi di applicazione ad oggi utilizzati sono la diagnostica molecolare, il supporto dell’AI all’approccio decisionale clinico e chiaramente l’imaging.
La novità principale infatti è la capacità dell’intelligenza artificiale di esaminare e analizzare enormi quantità di informazioni digitali memorizzate attraverso l’utilizzo di modelli incorporati di analisi.

Una caratteristica importantissima, degli algoritmi di AI è che essi sono in grado di imparare, di migliorarsi, di modificarsi ed evolversi in base alle risultanze cliniche e di imaging derivanti direttamente dall’approccio con numerosi casi a cui giornalmente si va incontro nella pratica clinica, analogamente al modo in cui i bambini durante la fase di crescita apprendono e modificano il loro comportamento e le loro abitudini in base al numero e alla diversità di esperienze che essi vivono. Questi algoritmi sono in grado di creare delle regole di comportamento e degli approcci al dato clinico che possono essere modificate e persino corrette e migliorate, come fosse un sistema dinamico. L’apprendimento automatico è un sottoinsieme dell’intelligenza artificiale in cui i computer estrapolano la conoscenza dai dati disponibili attraverso una combinazione di analisi statistica e informatica. Questi modelli risultano essere basati su algoritmi definiti “deep learning”: sono reti particolarmente complesse di “neuroni artificiali” in grado di creare modelli direttamente partendo dai dati grezzi, queste caratteristiche sono molto utili soprattutto nell’analisi di una grande quantità di immagini e dati nel campo della diagnostica medica. Questi algoritmi sono infatti in grado di utilizzare immagini diagnostiche, darci indicazioni sulle caratteristiche strutturali, morofologiche e di ecogenicità oltre che integrarle con altri dati, come ad esempio, i risultati dei campioni di citopatologia. Essendo sistemi altamente efficienti ed automatizzati presentano come vantaggio quello di richiedere un ridotto numero di input da parte del medico, tranne chiaramente annotazioni su ogni immagine (o caso) ed eventualmente modifiche da parte del medico stesso in base alle risultanze e all’esperienza clinica, a cui viene associata con integrazione finale la corretta diagnosi del caso specifico.

Cosa possiamo quindi aspettarci dall’applicazione dell’IA in ecografia?

Tra le diverse metodiche di imaging una delle ultime ad esse applicate all’intelligenza artificiale ma con prospettive interessanti risulta essere l’ecografia. L’ecografia rappresenta, ad oggi, la più clinica tra le metodiche di imaging in quanto ci pone inevitabilmente al cospetto del paziente. C’è la necessità di consolidare e rendere più oggettiva e ripetibile l’ecografia nella nostra pratica clinica, per la necessità di formulare una diagnosi sempre più precisa e di garantire una terapia mirata e personalizzata, integrando le continue innovazioni nel campo diagnostico ecografico con i sistemi CAD di AI. L’imaging digitale e le crescenti potenzialità di calcolo informatico hanno favorito un incessante e rapido progresso qualitativo, come per esempio nelle metodologie eco Doppler. La caratterizzazione tissutale, lo sviluppo dei mezzi di contrasto, l’imaging composito, l’imaging tridimensionale statico (3D) e dinamico in real time (4D), l’imaging ad alta risoluzione, l’uso terapeutico degli ultrasuoni ad alta potenza e delle microbolle sono tra gli aspetti più attuali e appassionanti della ricerca ecografica. Tutti questi sviluppi dell’indagine ecografica si collocano in una univoca moderna definizione di ecografia che si nutre dell’interezza delle informazioni che riesce a ricavare, ovvero si rende “multiparametrica”. Il termine “multiparametrico” deve essere accostato all’imaging in ecografia similmente a quanto già in uso in Risonanza Magnetica come nuova concezione di ecografia, multiparametrica appunto, divenendo pertanto un’indagine di elevata competenza di conoscenze fisiche, cliniche e tecnologiche in sintesi, una ecografia “radiologica”.

L’ecografia oltre alla valutazione dell’aspetto morfologico-anatomico, ha anche la capacità di valutare l’aspetto funzionale, tramite la modalità del color Doppler, del Doppler spettrale e del power Doppler. L’ecografia è uno strumento di imaging altamente indicato per valutare l’emodinamica dei flussi spingendosi anche oltre l’imaging tradizionale sino al più intimo studio del letto capillare. Infatti, l’ecografia con mezzo di contrasto ha la capacità di osservare l’impregnazione dei parenchimi o dei vasi, di tracciare curve di intensità del tempo, curve di wash-in e wash-out al fine di studiare l’emodinamica di impregnazione del parenchima, del tessuto o del vaso oggetto del nostro esame. 

L’ecografia inoltre consente di rilevare la rigidità dei tessuti attraverso tecniche elastosonografiche (shear wawe e strain) particolarmente utili nel fegato e nella valutazione delle lesioni focali delle strutture superficiali. L’utilizzo dell’intelligenza artificiale può produrre sistemi di diagnosi assistita da computer (CAD), ovvero software che aiutano i medici fornendo una “seconda opinione” con la quale suffragare la propria ipotesi diagnostica e confrontare il reperto di imaging appena acquisito. Ad esempio, i CAD sono molto utili nello studio ecografico della tiroide e del seno, perché essendo basati sull’intelligenza artificiale possono facilitare ulteriormente e migliorare le prestazioni diagnostiche e l’affidabilità della metodica, raggiungendo un’attendibilità simile a quella ottenuta da un radiologo esperto. Un altro aspetto fondamentale è quello di poter utilizzare il CAD come potenziale strumento per la formazione di operatori meno esperti, che in questo modo sono aiutati e guidati nella loro fase di apprendimento verso la diagnosi più corretta per ogni tipologia di caso clinico a cui si va incontro. Un’altra importante aspetto da sottolineare è quello della riduzione attraverso l’utilizzo dei CAD della variabilità intra- e inter-operatore.

In conclusione, si intravede il potenziale dell’applicazione dell’IA in ambito ecografico, ma siamo solo all’inizio di un entusiasmante viaggio che speriamo ci porti a migliorare la capacità diagnostica e di trattamento del medico del futuro.