RSNA2023, l'incontro annuale della Radiological Society of North America (RSNA) si svolge questa settimana a Chicago e presenta i recenti progressi della ricerca e gli sviluppi dei prodotti in tutti i settori della radiologia. L'evento di quest'anno comprende numerosi documenti, poster, corsi e mostre didattiche incentrate sull'intelligenza artificiale (AI) e sulle applicazioni di apprendimento automatico. Ecco una piccola selezione degli studi presentati.

Accertamento dei tratti dell’ADHD dalle scansioni MRI del cervello

Il disturbo da deficit di attenzione e iperattività (ADHD) è una condizione comune che influenza il comportamento di una persona. I bambini con ADHD possono avere difficoltà a concentrarsi, a controllare i comportamenti impulsivi o a regolare l’attività. La diagnosi e l'intervento precoci sono fondamentali, ma l'ADHD è difficile da diagnosticare e si basa su sondaggi soggettivi auto-riferiti.

Ora, un gruppo di ricerca dell’Università della California a San Francisco (UCSF) ha utilizzato l'intelligenza artificiale per analizzare le scansioni cerebrali MRI di adolescenti con e senza ADHD, trovando differenze significative in nove tratti della sostanza bianca del cervello in individui con ADHD.

I ricercatori hanno utilizzato dati di imaging cerebrale di 1704 individui nel corso dello sviluppo cognitivo del cervello adolescenziale (ABCD) Studio, includendo soggetti con e senza ADHD. Dai dati dell’imaging pesato in diffusione (DWI), hanno estratto le misurazioni dell’anisotropia frazionaria (FA), una misura della diffusione dell’acqua lungo le fibre dei tratti della sostanza bianca, lungo 30 tratti principali del cervello.

Hanno utilizzato i dati FA di 1371 individui come input per addestrare un modello di intelligenza artificiale con apprendimento profondo e hanno testato il modello su 333 pazienti, di cui 193 con diagnosi di ADHD e 140 senza. Il modello AI ha rilevato che nei pazienti con ADHD, i valori FA erano significativamente elevati in nove tratti della sostanza bianca.

"Queste differenze nelle firme MRI negli individui con ADHD non sono mai state viste prima a questo livello di dettaglio", afferma Justin Huynh, dell'UCSF e del Carle Illinois College of Medicine di Urbana-Champaign. “In generale, le anomalie osservate nei nove tratti della sostanza bianca coincidono con i sintomi dell’ADHD. Questo metodo fornisce un passo promettente verso la ricerca di biomarcatori di imaging che possono essere utilizzati per diagnosticare l’ADHD in un quadro diagnostico quantitativo e oggettivo”.

Identificare i non fumatori ad alto rischio di sviluppare il cancro ai polmoni

Il cancro al polmone è la causa più comune di morte per cancro in tutto il mondo. Negli Stati Uniti, lo screening del cancro del polmone mediante TC a basso dosaggio è raccomandato per i fumatori attuali o recenti di sigarette, ma non per i “non fumatori” – coloro che non hanno mai fumato o hanno fumato molto poco. Tuttavia, circa il 10-20% dei tumori polmonari si manifesta tra i non fumatori e i tassi di cancro in questo gruppo sono in aumento. E senza una diagnosi precoce attraverso lo screening, i non fumatori spesso presentano un cancro ai polmoni più avanzato rispetto a quelli che fumano.

Con l'obiettivo di migliorare questa situazione, un team del Centro di ricerca sull'imaging cardiovascolare (CIRC) presso la MGH e la Harvard Medical School sta testando se un modello di deep learning potrebbe identificare i non fumatori ad alto rischio di cancro ai polmoni, sulla base di radiografie del torace di routine. "Un grande vantaggio del nostro approccio è che richiede solo una singola immagine radiografica del torace, che è uno dei test più comuni in medicina e ampiamente disponibile nella cartella clinica elettronica", afferma l'autore principale Anika Walia.

I ricercatori hanno sviluppato il loro modello CXR-Lung-Risk utilizzando 147,497 radiografie del torace di 40,643 fumatori asintomatici e non fumatori provenienti dal Prova di screening del cancro PLCO. Hanno convalidato il modello in un gruppo separato di non fumatori che hanno effettuato radiografie del torace di routine. Dei 17,407 pazienti coinvolti nello studio, il modello ha classificato il 28% come ad alto rischio. In sei anni di follow-up, il 2.9% del totale della coorte ha sviluppato un cancro ai polmoni. Quelli del gruppo ad alto rischio hanno superato di gran lunga la soglia di rischio di sei anni dell’1.3% alla quale è raccomandato lo screening.

Il team osserva che dopo aver aggiustato i dati per età, sesso, razza e fattori clinici, i pazienti del gruppo ad alto rischio avevano ancora un rischio 2.1 volte maggiore di sviluppare il cancro ai polmoni rispetto a quelli assegnati al gruppo a basso rischio.

Eliminare i pregiudizi razziali nella valutazione del rischio di cancro al seno

I ricercatori del Massachusetts General Hospital (MGH) hanno sviluppato un modello di deep learning che prevede accuratamente sia il carcinoma duttale in situ (DCIS) che il carcinoma mammario invasivo utilizzando solo biomarcatori provenienti da immagini mammografiche. È importante sottolineare che il nuovo modello ha funzionato altrettanto bene per i pazienti di più razze.

I modelli tradizionali di valutazione del rischio di cancro al seno mostrano scarse prestazioni tra le diverse razze, probabilmente a causa dei dati sulla popolazione utilizzati per creare il modello. "Molti dei modelli comunemente utilizzati sono stati sviluppati su popolazioni prevalentemente caucasiche europee", spiega l'autore principale Leslie Agnello. Ma secondo l’American Cancer Society, le donne nere hanno il tasso di sopravvivenza relativa a 5 anni più basso per il cancro al seno tra tutti i gruppi razziali ed etnici, evidenziando la necessità essenziale di modelli di rischio senza pregiudizi razziali.

In uno studio multisito, Lamb e colleghi hanno valutato le prestazioni del modello nel predire il cancro al seno invasivo e il DCIS, che è il cancro al seno in stadio iniziale, in più razze. Includevano 129,340 mammografie di screening bilaterali di routine eseguite su 71,479 donne, con dati di follow-up a cinque anni. Il gruppo di studio comprendeva donne bianche (106,839 esami), nere (6154 esami) e asiatiche (6435 esami), nonché quelle autodichiarate come di altre razze (6257 esami) e quelle di razza sconosciuta (3655 esami).

RSNA 2020: i punti salienti dell'intelligenza artificiale da un incontro annuale tutto virtuale

Il nuovo modello ha costantemente sovraperformato i modelli di rischio tradizionali nel prevedere il rischio di sviluppare il cancro al seno, mostrando un tasso predittivo di 0.71 sia per il DCIS che per il cancro invasivo in tutte le razze. Il modello ha raggiunto un'area sotto la curva ROC (AUC) per prevedere il DCIS di 0.77 nei pazienti non bianchi e 0.71 nei pazienti bianchi, mentre per prevedere il cancro invasivo, l'AUC era 0.72 nei pazienti non bianchi e 0.71 nei pazienti bianchi. Il team osserva che i modelli di rischio tradizionali mostravano AUC di 0.59-0.62 per le donne bianche, con prestazioni molto inferiori per quelle di altre razze.

"Il modello è in grado di tradurre l'intera diversità dei sottili biomarcatori di imaging nella mammografia, oltre ciò che l'occhio nudo può vedere, in grado di prevedere il rischio futuro per una donna sia di carcinoma duttale in situ che di cancro al seno invasivo", afferma Lamb. “Il modello di rischio basato esclusivamente sulle immagini del deep learning può fornire un maggiore accesso a una valutazione del rischio più accurata, equa e meno costosa”.

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: https://physicsworld.com/a/rsna-2023-showcases-ai-in-radiology/