Un gruppo di ricercatori medici ha sviluppato un algoritmo di IA in grado di classificare campioni chirurgici dei 10 tipi più comuni di cancro al cervello con la stessa accuratezza che è possibile avere dai patologi clinici (ossia dei medici specializzati in carne e ossa).
Informazioni sul tumore al cervello in tempo “quasi” reale durante l’intervento chirurgico
Recentemente il team coordinato da Daniel Orringer della New York University School of Medicine ha pubblicato l’articolo “Near real-time intraoperative brain tumor diagnosis using stimulated Raman histology and deep neural networks” sulla rivista sulla rivista Nature Medicine. I ricercatori sostengono che la nuova tecnica potrebbe essere utilizzata per fornire al medico chirurgo informazioni diagnostiche di livello esperto durante l’intervento chirurgico in tempo “quasi” reale.
L’IA combinata con una tecnica di imaging conosciuta come SRH
I ricercatori hanno combinato un modello di intelligenza artificiale con una tecnica di imaging ottico basata su laser conosciuta come Stimulated Raman Histology (SRH) per diagnosticare il cancro al cervello in meno di 150 secondi.
La SRH è in grado di rivelare l’infiltrazione tumorale nel tessuto umano raccogliendo la luce laser diffusa, evidenziando così caratteristiche essenziali che solitamente non vengono visualizzate nelle immagini istologiche standard.
Le immagini microscopiche vengono quindi elaborate e analizzate utilizzando l’IA, ciò consente ai chirurghi di prevedere una diagnosi di tumore al cervello.
Durante l’intervento per l’asportazione del tessuto tumorale questa tecnica viene utilizzata per rilevare e rimuovere eventuali altri tumori che in circostanze standard non sarebbero rilevabili.
«Come chirurghi, siamo limitati ad agire su ciò che possiamo vedere; questa tecnica ci permette di vedere tumori che in altre circostanze sarebbero invisibili e ci consente di migliorare la velocità, l’accuratezza in sala operatoria e di ridurre il rischio di diagnosi errate», scrive Orringer.
In uno studio clinico che ha coinvolto 278 pazienti affetti da tumore cerebrale provenienti da tre ospedali, la diagnosi basata sull’IA ha avuto un valore di accuratezza pari al 94,6% rispetto al 93,9% di accuratezza raggiunto dalle interpretazioni dei patologi clinici.
Il software di IA è sempre disponibile dove serve
Un’ulteriore fattore da non sottovalutare è che il software di IA è sempre disponibile dove richiesto mentre spesso si verifica una carenza (in termini di scarsità di personale) dei patologi clinici disponibili a fornire diagnosi durante l’intervento chirurgico.
Il modello di IA utilizza una rete neurale convoluzionale profonda
Per costruire il modello di IA, il team di Orringer ha addestrato una rete neurale convoluzionale profonda (Convolutional Neural Network, CNN) utilizzando oltre 2,5 milioni di campioni provenienti da 415 pazienti, in questo modo sono stati contrassegnati i tessuti in 13 categorie istologiche che rappresentano i tumori cerebrali più comuni.
Per mettere alla prova tale algoritmo i ricercatori hanno assegnato in maniera casuale i campioni provenienti dai pazienti utilizzando il “braccio di controllo” (l’attuale pratica standard) e un “braccio sperimentale”.
La pratica standard prevede il trasporto dei campioni di tessuto tumorale in un laboratorio di patologia, tali campioni vengono così messi in lavorazione, vengono preparati i vetrini da parte dei tecnici e i patologi effettuano le analisi come da protocollo medico. Affinché la procedura venga completata è richiesto solitamente un periodo che va dai 20 ai 30 minuti. Il “braccio sperimentale” è stato eseguito invece modalità intraoperatoria, dall’acquisizione all’elaborazione delle immagini fino alla previsione diagnostica tramite CNN.
In particolare, i ricercatori sostengono che gli errori diagnostici nel gruppo sperimentale erano unici rispetto agli errori presenti nel gruppo di controllo, ciò suggerisce che un patologo in grado di utilizzare la nuova tecnica potrebbe raggiungere un’accuratezza prossima al 100%.
Il potenziale di questo approccio, fanno notare i ricercatori, è enorme.
«Anche se il nostro flusso di lavoro è stato sviluppato e convalidato nel contesto dell’oncologia neurochirurgica, molte caratteristiche istologiche utilizzate per diagnosticare i tumori cerebrali si possono riscontrare nei tumori di altri organi» scrivono i ricercatori.
«Di conseguenza, prevediamo che un flusso di lavoro simile che incorpora l’istologia ottica e il deep learning potrebbe venire applicato alla dermatologia, alla chirurgia della testa e del collo, alla chirurgia mammaria e alla ginecologia; in tutti questi ambiti l’istologia intraoperatoria è ugualmente centrale per le cure cliniche.
«È importante sottolineare che il nostro flusso di lavoro basato sull’IA fornisce un accesso impareggiabile alla diagnosi microscopica dei tessuti durante l’intervento chirurgico, facilitando la rilevazione del tumore residuo, riducendo il rischio di rimuovere il tessuto istologicamente normale adiacente a una lesione, consentendo in questo modo lo studio dell’eterogeneità istologica regionale e molecolare. Inoltre si riducono al minimo le possibilità di biopsie non diagnostiche o di diagnosi errate a causa di un errore di campionatura».