(Cancro ai polmoni-Immagine: rappresentazione schematica delle reti neurali convoluzionali (CNN) utilizzate nell’algoritmo di apprendimento profondo per la stima del rischio di malignità dei noduli polmonari rilevati alla TC di screening a basso dosaggio).
Il cancro del polmone è la principale causa di morte per cancro in tutto il mondo, con circa 1,8 milioni di morti nel 2020, secondo l’Organizzazione Mondiale della Sanità. La TC del torace a basso dosaggio viene utilizzata per lo screening di persone ad alto rischio di cancro ai polmoni, come i fumatori di lunga data. È stato dimostrato che riduce significativamente la mortalità per cancro ai polmoni, principalmente aiutando a rilevare i tumori in una fase precoce quando sono più facili da trattare con successo.
Un programma di intelligenza artificiale (AI) prevede con precisione il rischio che i noduli polmonari rilevati durante lo screening TC diventino cancerosi, secondo uno studio pubblicato sulla rivista Radiology.
Mentre il cancro del polmone si manifesta tipicamente come noduli polmonari sulle immagini TC, la maggior parte dei noduli è benigna e non richiede ulteriori esami clinici. La distinzione accurata tra noduli benigni e maligni è quindi cruciale per la diagnosi precoce dei tumori.
Esempi di immagini TC di noduli dal DLCST (Danish Lung Cancer Screening Trial) con (ad) alto e (eh) basso accordo tra l’algoritmo di apprendimento profondo (DL) e i medici per la stima del rischio di malignità. I numeri negli anelli in basso a sinistra di ogni immagine sono il punteggio di malignità dell’algoritmo, mentre i numeri negli anelli in basso a destra di ogni immagine sono il punteggio di malignità mediano dei medici. L’entità del riempimento del colore è proporzionale al rischio di malignità (su una scala da 0 a 1, dove 0 rappresenta il rischio più basso e 1 rappresenta il rischio più alto). (a) L’immagine mostra un nodulo maligno punteggiato e lobulato di 15 mm (freccia) classificato correttamente dall’algoritmo DL e dai medici. (b) L’immagine mostra un nodulo benigno liscio di 11 mm (freccia) classificato correttamente dall’algoritmo DL e dai medici. (c) L’immagine mostra una lesione benigna di 29 mm (freccia) sospettata di essere un nodulo maligno sia dall’algoritmo DL che dai medici. A questo partecipante è stata diagnosticata la polmonite durante il workup clinico. (d) L’immagine mostra un nodulo maligno di 5 mm (freccia) chiamato benigno sia dall’algoritmo DL che dai medici. La crescita del nodulo può essere vista dagli esami TC di follow-up. (e) L’immagine mostra un nodulo maligno parzialmente solido di 15 mm (freccia) classificato correttamente dall’algoritmo DL e non sospettato di essere maligno da sette degli 11 medici. (f) L’immagine mostra un nodulo benigno di 8 mm (freccia) ritenuto moderatamente sospetto dai medici e definito benigno dall’algoritmo DL. (g) L’immagine mostra un nodulo maligno di 11 mm (freccia) che si prevede essere moderatamente sospetto dalla maggior parte dei medici, ma chiamato benigno dall’algoritmo DL. (h) L’immagine mostra una lesione benigna di 16 mm (freccia) classificata correttamente dai medici e ritenuta altamente sospetta dall’algoritmo DL. Credito: Radiological Society of North America
Per il nuovo studio, i ricercatori hanno sviluppato un algoritmo per la valutazione dei noduli polmonari utilizzando il deep learning, un’applicazione di intelligenza artificiale in grado di trovare determinati modelli nei dati di imaging. I ricercatori hanno addestrato l’algoritmo su immagini TC di oltre 16.000 noduli, inclusi 1.249 tumori maligni, dal National Lung Screening Trial. Hanno convalidato l’algoritmo su tre grandi serie di dati di imaging di noduli dal Danish Lung Cancer Screening Trial.
L’algoritmo di deep learning ha fornito risultati eccellenti, superando il consolidato modello Pan-Canadian Early Detection of Lung Cancer per la stima del rischio di malignità dei noduli polmonari. Ha funzionato in modo comparabile a 11 medici, tra cui quattro radiologi toracici, cinque specializzandi in radiologia e due pneumologi.
“L’algoritmo può aiutare i radiologi a stimare con precisione il rischio di malignità dei noduli polmonari”, ha detto il primo autore dello studio, Kiran Vaidhya Venkadesh, Ph.D. candidato al Diagnostic Image Analysis Group presso il Radboud University Medical Center di Nijmegen, Paesi Bassi. “Questo può aiutare a ottimizzare le raccomandazioni di follow-up per i partecipanti allo screening del cancro del polmone”.
“L’algoritmo porta potenzialmente diversi vantaggi aggiuntivi alla clinica”, hanno detto i ricercatori.
Un nodulo maligno parzialmente solido di 15 mm dal DLCST (Danish Lung Cancer Screening Trial) visto dalle viste assiale, coronale e sagittale (lato sinistro). Il nodulo è stato trovato nel lobo superiore destro e il grafico a barre (lato destro) mostra che il nodulo non era sospettato di essere maligno dalla maggior parte dei medici, ad eccezione di un radiologo toracico e di un pneumologo. L’algoritmo di apprendimento profondo (DL) ha classificato correttamente questo nodulo come maligno. Credito: Radiological Society of North America
“Poiché non richiede l’interpretazione manuale delle caratteristiche dell’imaging dei noduli, l’algoritmo proposto può ridurre la sostanziale variabilità tra osservatori nell’interpretazione della TC”, ha affermato l’autore senior Colin Jacobs, Ph.D., assistente Professore presso il Dipartimento di imaging medico presso la Radboud University Medical Centro a Nijmegen. “Questo può portare a un minor numero di interventi diagnostici non necessari, ridurre il carico di lavoro dei radiologi e ridurre i costi dello screening del cancro del polmone”.
I ricercatori intendono continuare a migliorare l’algoritmo incorporando parametri clinici come età, sesso e storia del fumo.
I ricercatori stanno anche lavorando a un algoritmo di apprendimento profondo che accetta più esami TC come input. L’attuale algoritmo è altamente adatto per analizzare i noduli allo screening iniziale o di base, ma per i noduli rilevati agli screening successivi, la crescita e l’aspetto rispetto alla TC precedente sono importanti.
Il Dottor Jacobs e colleghi hanno sviluppato altri algoritmi per estrarre in modo affidabile le caratteristiche di imaging dalla TC del torace relative a malattie polmonari ostruttive croniche e malattie cardiovascolari. Studieranno come integrare efficacemente queste caratteristiche di imaging nell’attuale algoritmo.
Riferimento: “Apprendimento approfondito per la stima del rischio di malignità dei noduli polmonari rilevati allo screening TC a basso dosaggio” di Kiran Vaidhya Venkadesh, Arnaud AA Setio, Anton Schreuder, Ernst T. Scholten, Kaman Chung, Mathilde MW Wille, Zaigham Saghir, Bram van Ginneken , Mathias Prokop e Colin Jacobs, 18 maggio 2021, Radiology.
Hanno collaborato con Kiran V. Venkadesh e Colin Jacobs, Ph.D., Arnaud AA Setio, Ph.D., Anton Schreuder, MD, Ernst T.Scholten, MD, Ph.D., Kaman Chung, MD, Ph.D ., Mathilde MW Wille, MD, Ph.D., Zaigham SaghCanroir, MD, Ph.D., Bram van Ginneken, Ph.D. e Mathias Prokop, MD, Ph.D.
Fonte:Radiology
