L’intelligenza artificiale prevede la recidiva del glioma pediatrico utilizzando più scansioni cerebrali

L’intelligenza artificiale prevede la recidiva del glioma pediatrico utilizzando più scansioni cerebrali

L’intelligenza artificiale (AI) si dimostra estremamente promettente per l’analisi di grandi insiemi di dati di imaging medico e l’identificazione di modelli che potrebbero sfuggire agli osservatori umani. L’interpretazione assistita dall’intelligenza artificiale delle scansioni cerebrali può aiutare a migliorare la cura dei bambini affetti da tumori cerebrali chiamati gliomi, che sono generalmente curabili ma variano in termini di rischio di recidiva. Gli investigatori del Generale Brigham e il personale del Boston Children’s Hospital e del Dana-Farber/Boston Children’s Cancer and Blood Disorders Center hanno addestrato algoritmi di deep learning per utilizzare la tecnologia cerebrale sequenziale per analizzare le scansioni cerebrali post-trattamento per segnalare i pazienti a rischio di recidiva del cancro. I tuoi risultati verranno pubblicati inIl New England Journal of Medicine AI.

Molti gliomi pediatrici sono curabili con la sola chirurgia, ma quando si verificano recidive possono essere devastanti. È molto difficile prevedere chi potrebbe avere una recidiva. Pertanto, i pazienti saranno sottoposti a frequenti controlli con risonanza magnetica (RM) per molti anni, un processo che può essere stressante e angosciante per i bambini e le famiglie. Abbiamo bisogno di strumenti migliori per identificare precocemente quali pazienti sono a più alto rischio di recidiva. “

Benjamin Kann, MD, autore corrispondente del programma di intelligenza artificiale in medicina (AIM) presso il Mass General Brigham e del Dipartimento di radioterapia oncologica presso il Brigham and Women's Hospital

Gli studi su malattie relativamente rare come i tumori pediatrici possono essere messi in discussione da dati limitati. Questo studio, finanziato in parte dal National Institutes of Health, ha riportato collaborazioni istituzionali in tutto il paese per raccogliere quasi 4.000 scansioni RM da 715 pazienti pediatrici. Per massimizzare ciò che l’intelligenza artificiale potrebbe “imparare” dalle scansioni cerebrali di un paziente e prevedere le recidive in modo più accurato, i ricercatori hanno utilizzato una tecnica chiamata apprendimento temporale, che addestra il modello a sintetizzare i risultati di più scansioni cerebrali effettuate nel corso di pochi mesi dopo l’intervento chirurgico.

In genere, i modelli di intelligenza artificiale per imaging medico sono addestrati per trarre conclusioni dalle singole scansioni. Utilizzando l’apprendimento temporale, non utilizzato in precedenza per la ricerca sull’intelligenza artificiale per l’imaging medico, le immagini nel tempo informano la previsione dell’algoritmo della recidiva del cancro. Per sviluppare il modello di apprendimento temporale, i ricercatori hanno prima addestrato il modello a sequenziare le scansioni MR post-operatorie di un paziente in ordine cronologico in modo che il modello possa imparare a rilevare cambiamenti sottili. Da lì, i ricercatori hanno messo a punto il modello per associare correttamente i cambiamenti, se necessario, con la successiva recidiva del cancro.

Alla fine, i ricercatori hanno scoperto che il modello di apprendimento temporale aveva previsto la recidiva del glioma a basso o alto grado entro un anno dopo il trattamento con una precisione del 75-89%, significativamente migliore della precisione ottenuta utilizzando le previsioni basate su singole immagini, che era di circa il 50% (non migliore del caso). Fornire all’IA immagini da ulteriori punti temporali dopo il trattamento ha aumentato l’accuratezza predittiva del modello, ma sono state necessarie solo da quattro a sei immagini prima che fosse applicato questo livello di miglioramento.

I ricercatori avvertono che prima dell’uso clinico è necessaria un’ulteriore convalida tramite impostazioni aggiuntive. In definitiva, sperano di avviare studi clinici per determinare se le previsioni di rischio basate sull’intelligenza artificiale possono portare a miglioramenti nelle cure, riducendo la frequenza di imaging per i pazienti a rischio più basso o trattando preventivamente i pazienti ad alto rischio con terapie adiuvanti mirate.

"Abbiamo dimostrato che l'intelligenza artificiale è in grado di analizzare e fare previsioni esistenti da più immagini, non solo da singole scansioni", ha affermato il primo autore Divyanshu Tak, MS, del programma AIM presso il Mass General Brigham e il Dipartimento di Radioterapia Oncologica del Brigham. “Questa tecnica può essere applicata in molti contesti in cui i pazienti ricevono immagini seriali e longitudinali e siamo entusiasti di vedere cosa ispirerà questo progetto”.

Fonti: