Le malattie cardiovascolari sono la principale causa di morte in tutto il mondo e l’imaging cardiaco accurato svolge un ruolo chiave nella diagnosi, nel trattamento e nella prognosi di queste patologie. Negli ultimi anni, l’intelligenza artificiale (AI), in particolare l’apprendimento profondo, ha fatto passi da gigante nel portare l’automazione e le capacità predittive nell’imaging cardiaco. Sebbene l’AI abbia un grande potenziale, non ha ancora avuto l’effetto desiderato sulla riduzione dei costi sanitari o sul miglioramento dei risultati clinici. Ciò è dovuto in parte a sfide metodologiche, tecniche ed etiche.
(rosso) Nonostante la competizione tra gli attori accademici e industriali per sviluppare la soluzione AI più potente, non ci sono ancora prove da studi clinici randomizzati che dimostrino che i modelli AI abbiano una superiorità significativa rispetto all’interpretazione umana. Questo articolo esplora le sfide attuali dell’integrazione dell’IA nell’imaging cardiaco e sottolinea che attualmente l’IA dovrebbe essere considerata come “intelligenza aumentata” – una tecnologia che supporta, ma non sostituisce, il processo decisionale clinico. Potrebbe essere il momento di cambiare prospettiva e vedere l’IA come uno strumento per aiutare i medici a prendere le migliori decisioni possibili.
Lo sviluppo dell’IA nell’imaging cardiaco
L’automazione di compiti lunghi e ripetitivi nell’imaging cardiaco è uno dei principali vantaggi offerti dall’AI. “L’apprendimento profondo ha dimostrato di essere superiore ai metodi tradizionali, in quanto è in grado di riconoscere automaticamente le caratteristiche rilevanti nelle immagini e di utilizzarle a fini diagnostici. Un esempio è la segmentazione automatica delle immagini cardiache, particolarmente utile per calcolare il volume e la funzione, come la frazione di eiezione ventricolare sinistra (LVEF). Inoltre, se sufficientemente addestrata con i dati, l’AI offre un’elaborazione rapida e accurata di nuovi dati di immagine ed è adatta alla generalizzazione a nuovi set di dati.
Tuttavia, l’AI viene spesso criticata come una “scatola nera”, in quanto i processi decisionali non sono sempre chiaramente comprensibili. Questo può influire sulla fiducia dei medici nella tecnologia. Per superare questa sfida, i ricercatori hanno iniziato a sviluppare meccanismi di interpretazione come i valori Grad-CAM o Shapley, che mostrano quali aree dell’immagine sono responsabili delle decisioni dell’AI. Tuttavia, questi strumenti sono ancora in fase di sviluppo e hanno i loro limiti. Migliorare l’interpretabilità dei modelli di IA è fondamentale per promuoverne l’accettazione nella pratica clinica.
Sfide con la qualità e la diversità dei dati
Uno dei maggiori ostacoli per il successo dell’applicazione dell’AI nell’imaging cardiaco è la disponibilità di dati di alta qualità e diversificati. I modelli di AI, soprattutto quelli di apprendimento profondo, richiedono un’enorme quantità di dati ben annotati per fornire risultati affidabili. Tuttavia, tali dati spesso mancano e molti dei dati esistenti non sono sufficientemente diversificati, con conseguente limitata generalizzabilità dei modelli di AI. È importante che i sistemi di IA siano addestrati su un ampio database che tenga conto di diversi modelli di malattia, gruppi etnici, gruppi di età e generi. Questo è l’unico modo per garantire che i modelli funzionino in modo affidabile per un gran numero di pazienti nella pratica clinica.
Le normative sulla protezione dei dati, come il Regolamento generale sulla protezione dei dati (GDPR) in Europa, rendono più difficile la collaborazione tra le istituzioni e ostacolano lo scambio di dati. Approcci come l’apprendimento federato, in cui i modelli di AI vengono addestrati localmente senza che i dati stessi vengano condivisi, potrebbero fornire un rimedio. Questo potrebbe aiutare a garantire la protezione dei dati e, allo stesso tempo, a utilizzare set di dati più grandi per l’addestramento dei modelli di AI. Tuttavia, mancano gli incentivi per le istituzioni a intraprendere queste collaborazioni sui dati, il che ritarda l’ulteriore sviluppo dell’IA nella pratica clinica.
Il ruolo dell’IA nelle diverse modalità di imaging
Negli ultimi anni, l’IA si è affermata in diverse modalità di imaging:
Ecocardiografia: l ‘AI è stata utilizzata con successo per automatizzare il calcolo del volume e la valutazione funzionale. Un esempio è il calcolo automatico della LVEF dai dati ecocardiografici. Gli studi hanno dimostrato che l’AI è in grado di fornire risultati paragonabili a quelli degli ecografisti, ma lavora in modo più rapido e coerente. Questo apre nuove possibilità, soprattutto nelle regioni povere di risorse, dove mancano medici qualificati. Un altro vantaggio è che i modelli basati sull’AI possono essere utilizzati anche nella cardiologia prenatale e pediatrica per diagnosticare difetti cardiaci congeniti complessi.
Tomografia computerizzata cardiaca (TC): nell’imaging TC, l’IA può migliorare significativamente i flussi di lavoro eseguendo quantificazioni automatizzate dei dati delle immagini cardiache, ad esempio la valutazione del calcio coronarico, che serve come marcatore dell’aterosclerosi coronarica e dei rischi cardiovascolari. L’AI viene utilizzata anche nella pianificazione di procedure complesse come l’impianto di valvola aortica transcatetere (TAVI) per valutare meglio i rischi e ottimizzare la pianificazione chirurgica.
Risonanza magnetica cardiaca (RM): la RM ha beneficiato maggiormente dell’automazione basata sull’AI, in particolare nella segmentazione automatica delle immagini e nel calcolo della LVEF. Ciò ha permesso a studi di coorte di grandi dimensioni, come la UK Biobank, di ottenere nuove conoscenze sulla progressione della malattia e sull’invecchiamento in salute. Tuttavia, nonostante questi progressi, ci sono pochi studi clinici prospettici che dimostrano i benefici dell’AI nella pratica clinica.
Imaging di medicina nucleare: in medicina nucleare, l’AI ha dimostrato di essere in grado di eseguire analisi automatizzate di grandi quantità di dati per migliorare la diagnosi della malattia coronarica e la prognosi degli eventi cardiovascolari.
Ostacoli all’implementazione clinica e sfide normative
Nonostante i progressi tecnologici, l’implementazione clinica dell’IA incontra ostacoli significativi. Una di queste sfide è che l’infrastruttura di molte organizzazioni sanitarie non è preparata per l’integrazione di nuovi strumenti di IA. Molti sistemi esistenti, come quelli di archiviazione delle immagini, sono obsoleti e non sono in grado di supportare le interfacce necessarie per una perfetta integrazione dell’IA. Questo rallenta notevolmente l’introduzione dell’IA nella pratica clinica. Mancano anche modelli di rimborso chiari per i servizi basati sull’AI nel settore sanitario, il che rappresenta un ulteriore ostacolo all’implementazione.
Anche i requisiti normativi per i sistemi AI sono complessi e richiedono tempo. Sebbene la FDA statunitense e l’Unione Europea abbiano sviluppato delle linee guida iniziali per i dispositivi medici basati sull’AI, queste faticano a tenere il passo con il rapido sviluppo tecnologico. Le differenze nei meccanismi normativi tra i vari Paesi rendono difficile la cooperazione internazionale. Per superare queste sfide, è importante semplificare i processi normativi e promuovere l’uso dell’AI in medicina attraverso procedure standardizzate.
Accettazione clinica e fattori umani
Un altro aspetto critico dell’introduzione dell’IA nella pratica clinica è l’accettazione da parte delle persone coinvolte. I pazienti, i medici e gli altri operatori sanitari hanno spesso delle riserve sull’IA, perché la vedono come una minaccia o un ostacolo. È quindi necessario coinvolgere attivamente questi gruppi target nel processo di sviluppo e fornire una formazione completa per migliorare la loro comprensione del funzionamento dell’AI e dei suoi vantaggi. Inoltre, l’integrazione dell’IA nei processi clinici deve essere pianificata con attenzione per garantire un’interazione ottimale tra gli esseri umani e il sistema.
Un approccio human-in-the-loop, in cui l’uomo rimane l’autorità finale nel processo decisionale, può contribuire ad aumentare la fiducia nell’AI. Tuttavia, è importante che i modelli rimangano comprensibili e trasparenti, per garantire che i medici possano capire le raccomandazioni dell’AI.
Conclusione e prospettive future
L’AI ha il potenziale per rivoluzionare l’imaging cardiaco, automatizzando i compiti ripetitivi e che richiedono tempo e aumentando l’efficienza nella pratica clinica. Tuttavia, l’AI deve essere vista come uno strumento complementare che supporta le decisioni cliniche, piuttosto che sostituirle. Gli sviluppi futuri dovrebbero concentrarsi sull’integrazione dell’AI nel processo decisionale clinico per identificare fenotipi di malattia più precisi e migliorare i risultati clinici.
Un cambiamento di paradigma, che si allontana dalle misurazioni isolate per passare alle analisi multiparametriche, potrebbe promuovere lo sviluppo di strumenti di IA che consentono una diagnosi più accurata. Se questa tecnologia può essere integrata con successo nei flussi di lavoro esistenti, potrebbe gettare le basi per una nuova era di “intelligenza aumentata”, in cui i medici sono sollevati dall’AI e possono concentrarsi su decisioni cliniche più complesse.
Fonte: Sengupta PP, et al: Sfide per aumentare l’intelligenza nell’imaging cardiaco. The Lancet Digital Health, Volume 6, Numero 10, e739-e748.
CARDIOVASC 2024; 23(3): 41-42
