Recenti studi hanno dimostrato la capacità dei sistemi di intelligenza artificiale nella diagnosi medica di malattie importanti
Sistemi di intelligenza artificiale (AI) sono in circolazione da un po 'di tempo e ora stanno diventando più intelligenti e migliori con il tempo. L'intelligenza artificiale ha applicazioni in molteplici aree ed è ora parte integrante della maggior parte dei campi. L'intelligenza artificiale può essere una componente essenziale e utile di medicale scienza e ricerca in quanto ha un immenso potenziale di impatto sul settore sanitario.
Intelligenza artificiale nella diagnosi medica?
Il tempo è la risorsa più preziosa in ambito sanitario e una diagnosi precoce e adeguata è molto importante per l’esito finale di una malattia. L’assistenza sanitaria è spesso un processo lungo, che richiede tempo e risorse, ritardando una diagnosi efficace e, di conseguenza, ritardando il trattamento corretto. AI può aiutare a colmare il divario tra disponibilità e gestione del tempo da parte dei medici incorporando velocità e precisione nella diagnosi dei pazienti. Potrebbe aiutare a superare i limiti delle risorse e degli operatori sanitari, specialmente nei paesi a basso e medio reddito. L’intelligenza artificiale è un processo di apprendimento e di pensiero proprio come gli esseri umani attraverso un concetto chiamato apprendimento profondo. Il deep learning utilizza ampi set di dati campione per creare autonomamente alberi decisionali. Con questo deep learning, un sistema di intelligenza artificiale può effettivamente pensare proprio come gli esseri umani, se non meglio, e quindi l’intelligenza artificiale potrebbe essere ritenuta idonea a svolgere compiti medici. Quando diagnosticano i pazienti, i sistemi di intelligenza artificiale continuano a cercare modelli tra pazienti con le stesse malattie. Nel tempo, questi modelli possono costruire una base per prevedere le malattie prima che si manifestino.
In un recente studio1 pubblicato nella Cella, i ricercatori hanno usato artificiale tecniche di intelligenza e apprendimento automatico per sviluppare un nuovo strumento computazionale per lo screening dei pazienti con malattie retiniche comuni ma accecanti, accelerando potenzialmente le diagnosi e il trattamento. I ricercatori hanno utilizzato una rete neurale basata sull'intelligenza artificiale per rivedere più di 200,000 scansioni oculari condotte con una tecnologia non invasiva che fa rimbalzare la luce sulla retina per creare rappresentazioni 2D e 3D dei tessuti. Hanno quindi impiegato una tecnica chiamata "apprendimento di trasferimento" in cui la conoscenza acquisita nella risoluzione di un problema viene memorizzata da un computer e applicata a problemi diversi ma correlati. Ad esempio, una rete neurale AI ottimizzata per riconoscere le strutture anatomiche discrete dell'occhio, come la retina, la cornea o il nervo ottico, può identificarle e valutarle in modo più rapido ed efficiente quando esamina le immagini di un occhio intero. Questo processo consente al sistema di intelligenza artificiale di apprendere gradualmente con un set di dati molto più piccolo rispetto ai metodi tradizionali che richiedono grandi set di dati che li rendono costosi e dispendiosi in termini di tempo.
Lo studio si è concentrato su due cause comuni di cecità irreversibile che sono curabili se rilevate precocemente. Le diagnosi derivate dalla macchina sono state confrontate con le diagnosi di cinque oftalmologi che hanno esaminato le stesse scansioni. Oltre a fare una diagnosi medica, la piattaforma AI ha anche generato una raccomandazione di riferimento e di trattamento, cosa che non era stata fatta in nessuno studio precedente. Questo sistema di intelligenza artificiale addestrato funzionava proprio come un oculista ben addestrato e poteva generare una decisione entro 30 secondi sull’opportunità o meno di indirizzare il paziente al trattamento, con una precisione superiore al 95%. Hanno anche testato lo strumento di intelligenza artificiale nella diagnosi della polmonite infantile, una delle principali cause di morte in tutto il mondo nei bambini (sotto i 5 anni) sulla base dell’analisi meccanica delle radiografie del torace. È interessante notare che il programma per computer è stato in grado di distinguere tra polmonite virale e batterica con una precisione superiore al 90%. Questo è fondamentale perché, sebbene la polmonite virale venga eliminata naturalmente dall’organismo dopo il suo decorso, la polmonite batterica tende invece a rappresentare una minaccia per la salute più grave e richiede un trattamento immediato con antibiotici.
In un altro grande salto2 nei sistemi di intelligenza artificiale per la diagnosi medica, gli scienziati hanno scoperto che le fotografie scattate alla retina di un individuo possono essere analizzate da algoritmi di apprendimento automatico o software per prevedere il rischio cardiaco cardiovascolare identificando i segnali che sono indicativi di malattie cardiache. Lo stato dei vasi sanguigni negli occhi che viene catturato nelle fotografie ha dimostrato di prevedere con precisione età, sesso, etnia, pressione sanguigna, eventuali precedenti attacchi di cuore e abitudine al fumo e tutti questi fattori prevedono collettivamente malattie cardiache in un individuo.
L'occhio come blocco informativo
L'idea di guardare le fotografie dell'occhio per diagnosticare la salute è in circolazione da tempo. È noto che la parete interna posteriore degli occhi umani ha molti vasi sanguigni che riflettono la salute generale del corpo. Studiando e analizzando l'aspetto di questi vasi sanguigni con una fotocamera e un microscopio, è possibile prevedere molte informazioni sulla pressione sanguigna, l'età, il fumatore o non fumatore, ecc. di un individuo e questi sono tutti indicatori importanti della salute del cuore di un individuo . Le malattie cardiovascolari (CVD) sono la prima causa di morte a livello globale e più persone muoiono di CVD rispetto a qualsiasi altra malattia o condizione. Questo è più diffuso nei paesi a basso e medio reddito ed è un enorme onere per l'economia e l'umanità. Il rischio cardiovascolare dipende da una moltitudine di fattori come geni, età, etnia, sesso, in combinazione con l'esercizio e la dieta. La maggior parte delle malattie cardiovascolari può essere prevenuta affrontando i rischi comportamentali come l'uso di tabacco, l'obesità, l'inattività fisica e una dieta malsana apportando cambiamenti significativi allo stile di vita per affrontare i possibili rischi.
Diagnosi della salute mediante immagini retiniche
Questo studio condotto dai ricercatori di Google e della sua società di tecnologia sanitaria Verily Life Sciences, ha mostrato che un algoritmo di intelligenza artificiale è stato utilizzato su un ampio set di dati di fotografie retiniche di circa 280,000 pazienti e questo algoritmo è stato in grado di prevedere con successo i fattori di rischio cardiaco in due set di dati indipendenti di circa 12000 e 1000 pazienti con una precisione ragionevolmente buona. L'algoritmo ha utilizzato l'intera fotografia della retina per quantificare l'associazione tra l'immagine e il rischio di infarto. Questo algoritmo potrebbe prevedere un evento cardiovascolare il 70 percento delle volte in un paziente e infatti anche un fumatore e un non fumatore erano distinguibili in questo test il 71 percento delle volte. L'algoritmo potrebbe anche prevedere la pressione alta che indica una condizione cardiaca e prevedere la pressione sanguigna sistolica - la pressione nei vasi quando il cuore batte - all'interno di un intervallo della maggior parte dei pazienti con o senza pressione alta. L'accuratezza di questa previsione, secondo gli autori, è molto simile a un controllo cardiovascolare in laboratorio, dove viene prelevato il sangue dal paziente per misurare i livelli di colesterolo guardando in parallelo con l'anamnesi del paziente. L'algoritmo in questo studio, pubblicato in Natura Ingegneria Biomedica, con molta probabilità potrebbe anche prevedere il verificarsi di un evento cardiovascolare maggiore, ad esempio un infarto.
Un aspetto estremamente interessante e cruciale di questi studi è stato che il computer può dire dove sta guardando in un'immagine per arrivare a una diagnosi, permettendoci di capire il processo di previsione. Ad esempio, lo studio di Google ha mostrato esattamente "quali parti della retina" hanno contribuito all'algoritmo di previsione, in altre parole come l'algoritmo stava effettuando la previsione. Questa comprensione è importante non solo per comprendere il metodo di apprendimento automatico in questo caso particolare, ma anche per generare fiducia e fiducia in tutta questa metodologia rendendola trasparente.
Le sfide
Tali immagini mediche presentano le sue sfide perché osservare e quindi quantificare le associazioni basate su tali immagini non è semplice principalmente a causa di diverse caratteristiche, colori, valori, forme ecc. in queste immagini. Questo studio utilizza il deep learning per tracciare le connessioni, le associazioni e le relazioni tra i cambiamenti nell'anatomia umana (morfologia interna del corpo) e la malattia nello stesso modo in cui farebbe un operatore sanitario quando correla i sintomi dei pazienti con una malattia . Questi algoritmi richiedono più test prima di poter essere utilizzati in un ambiente clinico.
Nonostante le discussioni e le sfide, l'IA ha un enorme potenziale per rivoluzionare la diagnosi e la gestione delle malattie facendo analisi e classificazioni che coinvolgono enormi quantità di dati che sono difficili per gli esperti umani. Fornisce strumenti diagnostici alternativi basati su immagini veloci, economici e non invasivi. I fattori importanti per il successo dei sistemi di intelligenza artificiale sarebbero una maggiore potenza di calcolo e una maggiore esperienza delle persone. In un probabile futuro, nuove intuizioni e diagnosi mediche potrebbero essere ottenibili con l'intelligenza artificiale senza la direzione o la supervisione umana.
***
{Puoi leggere il documento di ricerca originale facendo clic sul collegamento DOI indicato di seguito nell'elenco delle fonti citate}
Fonte (s)
1. Kermany DS et al. 2018. Identificazione delle diagnosi mediche e delle malattie curabili tramite l'apprendimento profondo basato sull'immagine. Cellula. 172(5). https://doi.org/10.1016/j.cell.2018.02.010
2. Popeline R et al. 2018. Previsione dei fattori di rischio cardiovascolare dalle fotografie del fondo retinico tramite deep learning. Ingegneria biomedica della natura. 2. https://doi.org/10.1038/s41551-018-0195-0
