I sistemi diagnostici che utilizzano l’intelligenza artificiale sono in grado di classificare le lesioni cutanee anomale in modo rapido e preciso e offrono un grande potenziale per migliorare l’accuratezza diagnostica. Lo dimostra anche un nuovo studio in cui è stata implementata con successo una rete neurale artificiale per il rilevamento dei carcinomi basocellulari.
L’intelligenza artificiale (AI) sta svolgendo un ruolo sempre più importante nella medicina di precisione e può aiutare a ottimizzare l’uso delle risorse [1]. Nel campo del riconoscimento dei modelli visivi, le applicazioni dell’AI sono molto avanzate, il che rappresenta un’area di applicazione interessante per la dermatologia e in particolare per lo screening del cancro della pelle. Il carcinoma basocellulare (BCC, Fig. 1) rappresenta circa il 65% di tutti i casi di cancro bianco della pelle in Europa centrale ed è quindi il tumore cutaneo più frequente nei pazienti immunocompetenti [2]. In letteratura, il BCC viene definito maligno o semimaligno. La maggior parte dei casi sono tumori cutanei non metastatici ma localmente infiltranti e distruttivi. Al Meeting annuale ADF 2021, è stato presentato uno studio proof-of-concept che mostra come il Deep Learning possa essere utilizzato per l’analisi delle immagini mediche nello screening del cancro della pelle [3,4]. È stata implementata una rete neurale artificiale che, basandosi sulle immagini istologiche digitalizzate, ha generato una previsione di elevata specificità e sensibilità per stabilire se i preparati cutanei contenessero o meno cambiamenti cancerosi. I risultati dello studio sono stati pubblicati sulla rivista Modern Pathology 2021 [4].
Analisi delle immagini mediche con l’apprendimento profondo
La valutazione istologica delle biopsie cutanee fa parte della routine quotidiana in dermatologia ed è un’area applicativa che ben si presta al pre-screening automatizzato assistito dall’AI per identificare le alterazioni cancerose e la rapida classificazione del tumore. Il principio di base delle applicazioni di Deep Learning nel campo dell’analisi delle immagini mediche è che una rete neurale artificiale, che utilizza algoritmi e modelli statistici complessi per selezionare le combinazioni di caratteristiche con il miglior significato diagnostico, viene addestrata con una grande quantità di dati di immagini e le classificazioni corrette e migliora continuamente la sua capacità di distinguere tra le diverse espressioni di caratteristiche [5]. Ogni “neurone” di una rete neurale rappresenta un’operazione matematica. Con questo metodo, i vetrini digitalizzati possono essere esaminati per le caratteristiche patologiche attraverso l’analisi automatizzata delle immagini. Nello studio di Kimeswenger et al. [3,4], la rete neurale artificiale è stata addestrata a riconoscere i tumori utilizzando vetrini completamente digitalizzati di preparati di tumori BCC (n=820 vetrini) (panoramica 1) .
Alta accuratezza diagnostica e specificità
La rete neurale ha dimostrato di essere in grado di identificare le regioni del tumore BCC sulle immagini istologiche a fette con un’elevata precisione (AUC 0,993, 95% CI: 0,990-0,995; sensibilità: 0,965, 95% CI: 0,951-0,979; specificità: 0,910, 95% CI: 0,859-0,960). Il calcolo automatico di una matrice ponderata ha costituito la base per la previsione delle regioni rilevanti per il tumore nelle immagini istologiche. I ricercatori hanno anche scoperto che gli algoritmi di apprendimento automatico si basavano su modelli di identificazione del tumore significativamente diversi rispetto agli esperti patologici. Ciò è stato dimostrato dal confronto delle “regioni di interesse” (ROI) utilizzate dalla rete neurale, ossia le regioni dell’immagine classificate come rilevanti per la ricerca di tumori, con le ROI degli esperti patologici, che erano state raccolte mediante eye-tracking (panoramica 2).
In sintesi, questo studio ha dimostrato che una rete neurale artificiale può essere utilizzata in modo efficiente per rilevare i carcinomi basocellulari sulla base di immagini digitalizzate di preparati istologici a fette. È un’ulteriore conferma che i metodi di apprendimento automatico hanno il potenziale di aumentare l’accuratezza diagnostica nel campo della patologia digitale e di scoprire modelli di classificazione precedentemente sconosciuti. Oltre alla diagnostica delle lesioni cutanee non melanocitarie, le applicazioni AI possono essere utilizzate anche per il rilevamento dei melanomi maligni (riquadro).
Congresso: Gruppo di lavoro sulla ricerca dermatologica 2021
Letteratura:
- Schaaf N: Reti neurali: uno sguardo nella scatola nera, 14 gennaio 2020, www.informatik-aktuell.de, (ultimo accesso 14.05.2021)
- Teske S, Beise U: Hauttumoren, Ultimo aggiornamento: 02/2021, www.medix.ch (ultimo accesso 14.05.2021).
- Kimeswenger S, et al.: Le reti neurali artificiali e i patologi riconoscono i carcinomi basocellulari in base a diversi modelli istologici. P063, Premi di ricerca traslazionale ADF per la dermatologia, Riunione annuale ADF 6.3.2021
- Kimeswenger S, et al: Mod Pathol 2021; 34 : 895-903.
- Jutzi TB, Brinker TJ: Dtsch Arztebl 2020; 117(24).
- Centro tedesco di ricerca sul cancro, www.dkfz.de/de/digitale-biomarker (ultimo accesso 14.05.2021)
- Cerci, FB, et al: An Bras Dermatol [online] 2020; 95 (5): 594-601.
DERMATOLOGIE PRAXIS 2021; 31(3): 32-33 (pubblicato il 1.6.21, prima della stampa).
