Manifesto ricercato "Pink Killer", la capacità dell'intelligenza artificiale di leggere le radiografie del seno è paragonabile a quella dei dottori

Secondo le statistiche dell'Organizzazione Mondiale della Sanità, nel 2020 si sono verificati 2,3 milioni di nuovi casi di tumore al seno in tutto il mondo, classificandosi al primo posto tra tutti i tumori e superando il tumore ai polmoni, diventando il tumore numero uno.

Tuttavia, se si riesce a individuarlo precocemente e a trattarlo tempestivamente, uccidendo le cellule cancerose prima che il tumore metastatizzi, il tasso di mortalità del cancro al seno può essere notevolmente ridotto. Attualmente, il metodo più comunemente utilizzato per lo screening iniziale del tumore al seno è la radiografia del seno; in seguito, il medico valuterà la salute del seno analizzando e rivedendo le radiografie. Tuttavia, il processo di revisione richiederà molto tempo e inciderà sul trattamento di altri pazienti.
A tal fine, i ricercatori dell'Università di Nottingham nel Regno Unito hanno confrontato la capacità dell'intelligenza artificiale commerciale e dei medici di leggere le radiografie del seno, fornendo nuove idee per l'applicazione dell'intelligenza artificiale nella medicina clinica.

Autore | Xuecai

Redattore | Tre pecore, Torre di ferro

Questo articolo è stato pubblicato per la prima volta sulla piattaforma pubblica HyperAI WeChat~

Secondo le statistiche dell'American Cancer Society, nel 2022 il numero di nuovi casi di cancro tra le donne americane sarà di circa 930.000, di cui circa 290.000 saranno nuove pazienti con tumore al seno, pari al 31%. Allo stesso tempo, il cancro al seno è responsabile del 15% dei decessi per cancro, secondo solo al cancro ai polmoni.

Figura 1: Numero di nuovi casi di cancro (in alto) e decessi per cancro (in basso) negli Stati Uniti nel 2022

In Cina, il cancro al seno è il tumore più diffuso tra le donne nel 21° secolo e il numero di nuovi pazienti aumenta ogni anno.

Figura 2: Numero di nuovi casi di cancro nelle donne cinesi dal 2000 al 2016, con il colore grigio che rappresenta i casi di cancro al seno

Il cancro al seno è una malattia in cui le cellule mammarie anomale crescono in modo incontrollato e formano tumori. Se non si interviene in tempo, il tumore metastatizzerà e si diffonderà, mettendo a rischio la vita. Tuttavia, se i tumori locali vengono individuati nelle fasi iniziali del cancro e si inizia il trattamento, il tasso di sopravvivenza a cinque anni può raggiungere il 99%.

Attualmente, negli ospedali lo screening iniziale del tumore al seno avviene generalmente tramite mammografia. Tuttavia, durante lo screening iniziale possono verificarsi falsi positivi, che portano a sottoporre a test inutili pazienti che non hanno il cancro. Potrebbero esserci anche delle omissioni, che ritardano il momento migliore per il trattamento dei pazienti.

Per questo motivo, molti paesi europei stanno rivedendo le mammografie per eliminare il maggior numero possibile di casi falsi positivi. Questo metodo è efficace, riduce i falsi positivi e aumenta il tasso di rilevamento del cancro del 6%-15%.

Tuttavia, la lettura e la valutazione delle radiografie richiedono molto tempo. Nelle aree con un basso rapporto medico-paziente, l'esame delle radiografie non solo sottrae tempo ai medici, ma influisce anche sullo screening precoce di altri pazienti.

L'applicazione dell'intelligenza artificiale ha in parte alleggerito il carico di lavoro dei medici. Tuttavia, sembra poco sicuro affidare all'intelligenza artificiale la valutazione della vita e della salute. A questo proposito, il professor Yan Chen dell'Università di Nottingham nel Regno Unito ha affermato: "C'è molta pressione per applicare l'intelligenza artificiale alla medicina clinica, ma dobbiamo farlo bene per proteggere la salute delle donne".

A tal fine, il team di Yan Chen ha confrontato l'accuratezza dell'intelligenza artificiale commerciale Lunit con quella dei medici che leggono le mammografie. **I risultati dimostrano che la capacità di Lunit di analizzare le mammografie è paragonabile a quella dei medici umani. **Questo risultato è stato pubblicato su "Radiology".

Link al documento:

https://pubs.rsna.org/doi/10.1148/radiol.223299#_i13

Procedura sperimentale

Set di dati: set di dati PERFORMS

Questo studio ha selezionato due set di dati PERFORMS come set di test per il modello. Ogni set di dati PERFORMS è composto da 60 radiografie complesse, tra cui tumori maligni (circa il 35%), tumori benigni e risultati normali. Il set di dati PERFORMS è stato utilizzato per i test di ammissione e la valutazione di routine dei medici del National Health Service Breast Screening Programme (NHSBSP) del Regno Unito negli ultimi 30 anni.

Criteri di valutazione: valutazione + punteggio

Durante l'analisi delle radiografie, i medici contrassegnano le zone sospette e infine attribuiscono una valutazione da 1 a 5, corrispondente a normale, benigno, incerto, sospetto e maligno.

L'intelligenza artificiale valuterà la sospettosità di ogni caratteristica della radiografia su una scala da 1 a 100 , dove il punteggio più alto sarà considerato il punteggio per l'intera radiografia. Se non ci sono caratteristiche sospette, il punteggio è pari a 0.

Figura 3: Analisi delle radiografie del seno da parte di medici e AI

A: La freccia blu indica una massa sconosciuta con un diametro di 8 mm, che è stata successivamente identificata come carcinoma duttale di grado istologico 2;

B: La croce rossa è la caratteristica anomala scoperta dall'intelligenza artificiale, mentre il punto blu è l'area sospetta contrassegnata dal medico durante l'analisi.

Risultati del confronto: Specificità + Sensibilità

Alla competizione hanno partecipato complessivamente 552 medici, pari al 68% del numero totale di NHSBSP, di cui 315 radiologi, 206 tecnici di radiologia e 31 clinici.

Dopo aver analizzato due set di dati PERFORMS, hanno concluso che 161 mammografie erano normali, 70 presentavano tumori maligni e 9 erano benigne. Le caratteristiche comuni della malignità includevano massa (64,3%), calcificazione (12,9%), asimmetria (11,4%) e distorsione architettonica (11,4%), con una dimensione media della lesione di 15,5 ± 9,2 mm.

Tabella 1: Risultati sul set di dati PERFORMS

L'AUC media per il gruppo umano era pari a 0,88. L'AUC del gruppo AI era pari a 0,93, corrispondente al 96,8 percentile del gruppo umano, ma non vi era alcuna differenza significativa nelle AUC dei due gruppi.

Figura 4: Istogramma AUC del gruppo di medici e AUC di AI (linea gialla)

La sensibilità e la specificità medie nel gruppo umano erano rispettivamente del 90% e del 76%. Alle soglie consigliate dagli sviluppatori, la sensibilità e la specificità dell'IA erano rispettivamente dell'84% e dell'89%.

Tabella 2: Risultati del giudizio del gruppo medico e dell'IA con soglie diverse

TP: vero positivo;

FP: falso positivo;

TN: vero negativo;

FN: falso negativo;

Sensibilità = TP / numero totale di positivi;

Specificità = TN / numero totale di negativi.

Nella curva ROC dell'IA, il 52% dei medici ha ottenuto risultati superiori alla curva, il 36% inferiori alla curva e il 12% risultati coerenti con la curva ROC.

Figura 5: Curva ROC dell'IA, dove i punti blu rappresentano le prestazioni dei diversi medici

Quando la soglia dell'AI era 3,06, la sensibilità dell'AI era coerente con quella dei medici, rilevando 63 tumori maligni e mancandone solo 7. In questo momento, la specificità dell'AI non era significativamente diversa da quella dei medici.

Impostando la soglia a 2,91, l'IA ha mostrato una specificità coerente con il gruppo di medici e una sensibilità del 91%. I risultati sopra riportati dimostrano che la sensibilità e la specificità dell'intelligenza artificiale di Lunit nell'analisi delle radiografie del seno sono paragonabili a quelle dei medici umani.

Figura 6: L'impatto di diverse soglie sui risultati del giudizio dell'IA

A: La freccia blu indica un'area asimmetrica, che è stata successivamente identificata come carcinoma duttale di grado istologico 2;

B: Risultati del rilevamento quando la soglia AI è 2,91 e la croce rossa viene finalmente identificata come un vero positivo;

C: I risultati del test, quando la soglia AI era 3,06, non hanno evidenziato caratteristiche anomale evidenti.

Il professor Yan Chen ha affermato: " I risultati di questo studio forniscono solide prove a favore dello screening tramite intelligenza artificiale, dimostrando che il livello di analisi delle mammografie effettuato dall'intelligenza artificiale è paragonabile a quello dei medici umani ".

Cancro al seno: il killer rosa nascosto

In occasione della Giornata mondiale contro il cancro, il 4 febbraio 2021, l'Agenzia internazionale per la ricerca sul cancro dell'Organizzazione mondiale della sanità (OMS) ha dichiarato che lo scorso anno si sono verificati 2,3 milioni di nuovi casi di cancro al seno, pari all'11,7%, superando per la prima volta il numero di nuovi casi di cancro ai polmoni , diventando un "killer rosa nascosto".

Allo stesso tempo, il gruppo con la più alta incidenza di cancro al seno è costituito dalle donne dei paesi ad alto reddito, mentre il tasso di incidenza è significativamente più basso tra le donne dei paesi a medio e basso reddito. Inoltre, circa lo 0,5-1% dei tumori al seno colpisce gli uomini.

Tuttavia, il tasso di mortalità del cancro al seno in sé non è elevato. Dal 2016 al 2020, 8 milioni di donne hanno ricevuto una diagnosi di tumore al seno e sono sopravvissute, più di qualsiasi altro tumore.

Attualmente, l'OMS sta promuovendo in tutto il mondo l'iniziativa Global Breast Cancer Action, nella speranza di ridurre il numero di decessi per tumore al seno in tutto il mondo attraverso la diagnosi precoce, la diagnosi tempestiva e una gestione completa del tumore al seno.

Figura 7: Screening del cancro al seno assistito dall'intelligenza artificiale

In quanto potente strumento per lo screening iniziale del tumore al seno, l'intelligenza artificiale può rilevare tempestivamente le prime caratteristiche del tumore al seno e si prevede che stroncherà sul nascere il "killer rosa". Tuttavia, potrebbe essere troppo presto per promuovere l'intelligenza artificiale nella pratica clinica su larga scala, perché i cambiamenti nell'ambiente e nell'algoritmo stesso continueranno ad avere un impatto, causando una diminuzione della sensibilità e della specificità dell'intelligenza artificiale nel tempo.

Il professor Yan Chen ritiene inoltre che "una volta che l'intelligenza artificiale entrerà nell'applicazione clinica, dovremo disporre di un meccanismo per valutarla e monitorarla costantemente". Ora, team di ricerca provenienti da tutto il mondo stanno valutando i risultati del rilevamento dell'intelligenza artificiale e hanno ottenuto risultati soddisfacenti. In futuro, con l'aiuto di un'intelligenza artificiale efficiente e di un solido meccanismo di regolamentazione , tutti i tipi di malattie non avranno "nessun posto dove nascondersi" e la nostra salute sarà protetta in modo più stabile.

Link di riferimento:

[1]https://acsjournals.onlinelibrary.wiley.com/doi/10.3322/caac.21708

[2]https://www.sciencedirect.com/science/article/pii/S2667005422000047

Questo articolo è stato pubblicato per la prima volta sulla piattaforma pubblica HyperAI WeChat~