Nel prossimo futuro i radiologi potranno utilizzare l'intelligenza artificiale per individuare i tumori cerebrali

Un articolo intitolato "Deep learning and transfer learning for brain tumor detection and classification" pubblicato su Biology Methods and Protocols afferma che gli scienziati possono addestrare modelli di intelligenza artificiale (IA) a distinguere tra tumori cerebrali e tessuto sano. I modelli di IA sono già in grado di rilevare tumori cerebrali nelle immagini di risonanza magnetica quasi con la stessa efficacia di un radiologo umano.

I ricercatori hanno compiuto progressi costanti nell'applicazione dell'intelligenza artificiale alla medicina. L'intelligenza artificiale è particolarmente promettente in radiologia, dove l'attesa che i tecnici elaborino le immagini mediche può ritardare il trattamento dei pazienti. Le reti neurali convoluzionali sono strumenti potenti che consentono ai ricercatori di addestrare modelli di intelligenza artificiale su ampi set di immagini per il riconoscimento e la classificazione.

In questo modo, le reti possono "imparare" a distinguere le immagini. Hanno anche la capacità di "trasferire l'apprendimento". Gli scienziati possono riutilizzare un modello addestrato per un compito specifico per un progetto nuovo ma correlato.

Sebbene l'individuazione di animali mimetizzati e la classificazione dei tumori cerebrali implichino tipi di immagini molto diversi, i ricercatori hanno ipotizzato che esista un parallelismo tra un animale che si nasconde grazie al mimetismo naturale e un gruppo di cellule tumorali che si confondono con il tessuto sano circostante.

Il processo appreso di generalizzazione – raggruppare oggetti diversi sotto un unico identificatore – è importante per comprendere come la rete riesca a rilevare oggetti mimetizzati. Tale apprendimento potrebbe essere particolarmente utile per l'individuazione di tumori.

In questo studio retrospettivo di dati di risonanza magnetica disponibili al pubblico, i ricercatori hanno esaminato come i modelli di reti neurali potrebbero essere addestrati sui dati relativi al cancro al cervello, introducendo un esclusivo passaggio di apprendimento tramite trasferimento per rilevare animali incappucciati, al fine di migliorare le capacità di rilevamento dei tumori della rete.

Utilizzando risonanze magnetiche provenienti da fonti di dati sul cancro disponibili online al pubblico e immagini di controllo di cervelli sani (tra cui Kaggle, NIH Cancer Image Archive e VA Health System di Boston), i ricercatori hanno addestrato le reti a distinguere tra risonanze magnetiche sane e cancerose, a identificare l'area interessata dal cancro e l'aspetto prototipico del cancro (tipo di tumore canceroso).

I ricercatori hanno scoperto che le reti erano quasi perfette nell'identificare immagini cerebrali normali con solo uno o due falsi negativi e nel distinguere tra cervelli cancerosi e sani. La prima rete ha mostrato un'accuratezza media dell'85,99% nel rilevare il tumore al cervello, mentre la seconda ha raggiunto un'accuratezza dell'83,85%.

Una caratteristica fondamentale della rete è la molteplicità di modi in cui le sue decisioni possono essere spiegate, il che aumenta la fiducia nei modelli da parte di professionisti medici e pazienti. I modelli approfonditi spesso non sono sufficientemente trasparenti e, con il progredire del settore, la capacità di spiegare le decisioni delle reti diventa fondamentale.

Grazie a questa ricerca, la rete è ora in grado di generare immagini che mostrano aree specifiche nella classificazione di un tumore come positivo o negativo. Ciò consentirà ai radiologi di confrontare le proprie decisioni con i risultati della rete, aumentando la sicurezza, come se ci fosse un secondo radiologo "robotico" nelle vicinanze che indica l'area della risonanza magnetica che indica la presenza di un tumore.

In futuro, i ricercatori ritengono che sarà importante concentrarsi sulla creazione di modelli di reti profonde, le cui decisioni possano essere descritte in modo intuitivo, in modo che l'intelligenza artificiale possa svolgere un ruolo di supporto trasparente nella pratica clinica.

Sebbene le reti avessero difficoltà a distinguere i diversi tipi di tumore cerebrale in tutti i casi, era evidente che presentavano differenze intrinseche nel modo in cui i dati venivano rappresentati all'interno della rete. Accuratezza e chiarezza migliorarono man mano che le reti venivano addestrate a riconoscere il camuffamento. Il transfer learning ha portato a una maggiore accuratezza.

Sebbene il miglior modello testato abbia mostrato un'accuratezza inferiore del 6% rispetto al rilevamento umano standard, lo studio dimostra con successo il miglioramento quantitativo ottenuto grazie a questo paradigma di apprendimento. I ricercatori ritengono che questo paradigma, unito all'applicazione completa di metodi di spiegabilità, contribuirà a garantire la necessaria trasparenza alla futura ricerca clinica sull'intelligenza artificiale.

"I progressi nell'intelligenza artificiale consentono di rilevare e riconoscere schemi con maggiore accuratezza", ha affermato l'autore principale dello studio, Arash Yazdanbakhsh.

Questo, a sua volta, migliora la diagnostica e lo screening basati sulle immagini, ma richiede anche maggiori spiegazioni su come l'IA esegue un compito. La spinta verso la spiegabilità dell'IA migliora le interazioni uomo-IA in generale. Questo è particolarmente importante tra i professionisti medici e l'IA progettata per scopi medici.

"I modelli chiari e spiegabili sono più adatti a facilitare la diagnosi, monitorare la progressione della malattia e monitorare il trattamento."