L’intelligenza artificiale rileva gli oggetti nascosti nelle scansioni del torace meglio dei radiologi

I ricercatori dell’Università di Southampton hanno sviluppato uno strumento di intelligenza artificiale (AI) in grado di individuare oggetti difficili da vedere alloggiati nelle vie aeree dei pazienti meglio dei radiologi esperti.

Ricostruzione 3D delle vie aeree generata da una scansione TC utilizzando l’intelligenza artificiale. Credito immagine: Università di Southampton

In uno studio pubblicato su npj Medicina Digitale il modello di intelligenza artificiale ha superato i radiologi nel controllare le scansioni TC per oggetti che non vengono visualizzati bene nelle scansioni.

Questi oggetti inalati accidentalmente possono causare tosse, soffocamento, difficoltà respiratorie e talvolta portare a complicazioni più gravi se non trattati adeguatamente.

I risultati evidenziano come l’intelligenza artificiale può supportare i medici nella diagnosi di condizioni complesse e potenzialmente pericolose per la vita.

La ricerca è stata condotta dal dottor Yihua Wang, dal dottor Zehor Belkhatir e dal professor Rob Ewing dell’Università di Southampton in collaborazione con ricercatori di Wuhan, in Cina.

“Questi oggetti possono essere estremamente sottili e facili da perdere, anche per i medici esperti”, ha affermato il ricercatore PhD Zhe Chen, co-primo autore dello studio dell’Università di Southampton.

“Il nostro modello di intelligenza artificiale agisce come un secondo paio di occhi, aiutando i radiologi a individuare questi casi nascosti prima e in modo più affidabile”.

L’aspirazione di corpo estraneo (FBA) si verifica quando un oggetto, spesso cibo o un piccolo pezzo di materiale, si deposita nelle vie aeree.

Quando gli oggetti, come materiale vegetale o gusci di gamberi, sono radiolucenti (invisibili ai raggi X e deboli anche alle scansioni TC), può essere molto difficile da rilevare. Ciò spesso porta a diagnosi mancate o ritardate, esponendo i pazienti al rischio di gravi complicazioni. Fino al 75% dei casi di FBA negli adulti coinvolge corpi estranei radiotrasparenti.

Credito immagine: Università di Southampton

Per affrontare questa sfida, il gruppo di ricerca ha creato un modello di deep learning. Combina una tecnica di mappatura delle vie aeree ad alta precisione (MedpSeg) con una rete neurale che analizza le immagini TC per individuare segni nascosti di corpi estranei.

Il modello è stato addestrato e testato utilizzando tre gruppi di pazienti indipendenti, costituiti da oltre 400 pazienti, in collaborazione con ospedali in Cina.

Per mettere alla prova il modello, i ricercatori hanno confrontato le sue prestazioni con quelle di tre radiologi esperti, ciascuno con oltre dieci anni di esperienza clinica. Il compito era quello di esaminare 70 scansioni TC, 14 delle quali erano casi di FBA radiolucente, confermati mediante broncoscopia.

Quando i radiologi hanno rilevato un caso di FBA radiotrasparente, lo hanno fatto con la massima precisione: non si sono verificati falsi positivi. In confronto, il modello AI lo ha fatto con una precisione del 77%, rilevando alcuni falsi positivi.

Tuttavia, i radiologi hanno trascurato gran parte dei casi FBA, identificandone solo il 36% ed evidenziando la difficoltà che gli esseri umani hanno nell’individuare tali casi. Il modello AI, invece, è stato in grado di individuare il 71% dei casi, il che significa che molti meno casi FBA sono sfuggiti alla rete.

Nel punteggio F1, che bilancia precisione e memoria, il modello ha sovraperformato i radiologi con un punteggio del 74% contro il 53%.

“I risultati dimostrano il potenziale reale dell’intelligenza artificiale in medicina, in particolare per condizioni difficili da diagnosticare attraverso l’imaging standard”, ha commentato il dottor Yihua Wang, autore principale dello studio.

I ricercatori sottolineano che il sistema è progettato per assistere, non per sostituire, i radiologi, fornendo un ulteriore livello di fiducia in casi complessi o incerti.

I ricercatori mirano ora a condurre studi multicentrici con popolazioni più ampie e diversificate per migliorare il modello e ridurre il rischio di bias.

La carta Rilevamento automatizzato dell’aspirazione di corpo estraneo radiotrasparente sulla TC del torace utilizzando il deep learning è pubblicato su npj Digital Medicine ed è disponibile online.

La ricerca è stata sostenuta dal Medical Research Council del Regno Unito e dal China Scholarship Council.

Fonte: Università di Southampton