Una puntuale diagnosi precoce dei tumori rappresenta un preziosissimo salvavita. Tuttavia, un uso improprio dello screening oncologico è responsabile di un eccesso di falsi positivi, ai quali seguono approfondimenti diagnostici spesso invasivi per il paziente, costosi per il sistema sanitario e del tutto inutili. Vediamo in che modo l’intelligenza artificiale è di aiuto nel trovare il giusto equilibrio tra i due estremi.

TAKEAWAY

• Un sistema di intelligenza artificiale recentemente messo a punto, basato sulla tecnica di reinforcement learning, è in grado di definire, per ogni singola paziente, la frequenza degli screening oncologici per la prevenzione del tumore al seno.
• Il calcolo della frequenza del follow-up si fonda sull’analisi del rischio, resa possibile da una rete neurale che, di volta in volta, calcola il rischio di cancro al seno sulla base dell’ultima anamnesi e della precedente mammografia e applicando la metrica di diagnosi precoce in base alla quale il tumore può essere diagnosticato fino a 18 mesi prima.
• Al momento ancora in fase di test, il sistema AI ha ottenuto diagnosi precoci più puntuali rispetto allo screening annuale standard, richiedendo il 25% in meno di mammografie e migliorando di circa quattro mesi e mezzo la tempistica di diagnosi precoce.

---

Trattare di tecniche di intelligenza artificiale e della loro applicazione nel definire la frequenza degli screening oncologici paziente per paziente, situazione per situazione, ci riporta al dibattito circa il tempo che è giusto intercorra tra un controllo e quello successivo e se tale intervallo di tempo debba essere uguale per tutti.

Le linee guida in materia di prevenzione dei tumori offrono, in base all’ambito clinico specifico, indicazioni molto precise (ma standard) riguardo alla frequenza dei controlli periodici, eppure in molti Paesi (compresa l’Italia) si discute di quello che è stato definito “screening eccessivo” e dei relativi costi per il sistema sanitario, oltre che dei suoi effetti sullo stato psico-emotivo di chi vi si sottopone. Addirittura, alcuni studi in ambito USA in tema di prevenzione del tumore al seno parlano di un tasso di “sovradiagnosi” del 19% e dell’aumento degli stati ansiosi che accompagnano l’attesa degli esiti delle mammografie.

Posto che la diagnosi precoce dei tumori rappresenta un insindacabile e insostituibile salvavita, un uso improprio dello screening oncologico è responsabile di un eccesso di “falsi positivi”, causa, a loro volta, di un numero elevato di accertamenti diagnostici spesso invasivi, costosi e non necessari. Un aiuto nella ricerca del giusto equilibrio tra i due opposti sembra provenire dalla tecnologia. Vediamo in che modo.

Intelligenza artificiale e screening oncologici: dal reinforcement learning un modello che indica, per ogni paziente, la frequenza del follow-up

Un team formato dai ricercatori del Computer Science and Artificial Intelligence Laboratory (CSAIL) e della Jameel Clinic for Machine Learning and Health, entrambi in seno al Massachusetts Institute of Technology (MIT), ha sviluppato un sistema di intelligenza artificiale basato sull’analisi del rischio che, sfruttando un algoritmo di machine learning, dà indicazioni sulle tempistiche da seguire per lo screening mammografico.

In tema di intelligenza artificiale e screening oncologici, il sistema messo a punto si chiama Tempo e se ne dà notizia in un articolo dal titolo “Optimizing risk-based breast cancer screening policies with reinforcement learning”, pubblicato su Nuture Medicine il 13 gennaio 2022. Lavora incrociando i dati relativi all’anamnesi delle pazienti, alle date delle loro ultime mammografie e dei loro esiti, per definire la data del controllo futuro, che non sarà standard, ma ad hoc per la singola persona e il suo specifico quadro clinico, variando da pochi mesi a tre anni.

L’algoritmo è stato addestrato utilizzando i dati contenuti nei referti di tutte le mammografie presenti nell’archivio del Massachusetts General Hospital (MGH) ed è stato poi testato sia sulle pazienti dello stesso ospedale, sia mediante simulazioni avvalendosi di dati esterni, tratti dalle cartelle cliniche provenienti dall’ospedale Emory di Atlanta, dal Karolinska Sweden in Svezia e del Chang Gung Memorial a Taiwan.

Nel dettaglio, il sistema utilizza una tecnica di machine learning denominata “reinforcement learning” – o apprendimento per rinforzo – in cui la macchina apprende interagendo con l’ambiente attraverso lo schema “tentativi ed errori”. Non ricevendo alcuna indicazione su che cosa fare, lo impara da sé rilevando quali azioni sono correlate, nel tempo, a stati positivi.

Nel caso del sistema Tempo, l’obiettivo era quello di giungere a «una raccomandazione di follow-up per ciascun paziente» basandosi sul diverso livello di rischio ci ognuno.

Una rete neurale che, di volta in volta, stima il rischio di cancro sulla base dell’ultima anamnesi e della precedente mammografia

In tema di intelligenza artificiale e screening oncologici, poiché il set di dati di addestramento del sistema riportavano soltanto informazioni sul qui ed ora, relative ai singoli controlli mammografici, il team di studio, col fine di arrivare a un’analisi del rischio che prendesse in considerazione gli archi temporali intermedi ai due esami diagnostici, ha come prima cosa addestrato una rete neurale «a stimare il rischio di cancro al seno nelle pazienti in momenti non osservati, servendosi di quanto emerso dalle anamnesi precedenti e dalle mammografie precedenti». Sulla base di tale analisi, il sistema formula poi una raccomandazione finale su quando tornare per il controllo successivo, che va da sei mesi a tre anni, in multipli di sei mesi (mentre lo standard, in Italia e, in generale, nel resto del mondo, è di uno o di due anni).

Le linee guida attuali per la prevenzione del tumore al seno – in generale, nel mondo – suddividono la popolazione in pochi grandi gruppi e prescrivono la stessa frequenza di screening a tutti i membri dei singoli gruppi.

Il punto è questo: se, seguendo le regole standard, una paziente fa la prima mammografia con esito negativo, fa il secondo controllo dopo due anni sempre con esito negativo, ma al terzo controllo dopo altri due anni (dunque, dopo un arco temporale complessivo di quattro anni) riceve una diagnosi di tumore, si ha un vuoto di due anni, durante il quale la massa si è formata. Il sistema di intelligenza artificiale sviluppato dal MIT mira a inserirsi in quel vuoto temporale. Spiega il gruppo di lavoro nell’articolo citato:

«Lo sviluppo di modelli di rischio basati sull’intelligenza artificiale che operano su dati grezzi dei pazienti ci offre l’opportunità di trasformare lo screening standard, offrendo screening più frequenti a coloro che ne hanno bisogno e risparmiando il resto della popolazione. Un aspetto chiave di questi modelli è che le loro previsioni possono evolversi nel tempo, col variare dei dati del paziente. Il nostro sistema, in particolare, utilizza una semplice metrica per la diagnosi precoce, che presuppone che il cancro possa essere diagnosticato fino a 18 mesi prima, con scarti che variano in base alle caratteristiche del singolo tumore»

Intelligenza artificiale e screening oncologici: i risultati dei primi test del sistema e le sue direzioni future

Come accennato, il sistema di intelligenza artificiale è stato addestrato per mezzo dei dati contenuti nei referti di tutte le mammografie presenti nell’archivio del Massachusetts General Hospital (MGH) ed è stato poi testato sia sulle pazienti dello stesso ospedale, sia mediante simulazioni avvalendosi di dati esterni, tratti dalle cartelle cliniche provenienti dall’ospedale Emory di Atlanta, dal Karolinska Sweden in Svezia e del Chang Gung Memorial a Taiwan.

Ad oggi, Tempo ha ottenuto (attraverso simulazioni) una diagnosi precoce più puntuale rispetto allo screening annuale standard, richiedendo il 25% in meno di mammografie presso l’ospedale di Karolinska. Al Massachusetts General Hospital, invece, ha raccomandato all’incirca una mammografia all’anno e ha migliorato di circa quattro mesi e mezzo la tempistica di diagnosi precoce.

L’algoritmo utilizzato è migliorabile e, in futuro – osserva il team – potrebbe servirsi delle stesse metriche per stimare anche i costi della diagnosi precoce del tumore al seno a partire dai dati retrospettivi, giungendo a definire linee guida ancora più complete sugli screening oncologici personalizzati.

Il sistema è aperto a futuri adattamenti, includendo altri tipi di raccomandazioni diagnostiche per la diagnosi precoce dei tumori, tra cui, ad ed esempio, TAC e risonanza magnetica. E il suo lavoro futuro potrebbe prevedere la modellazione separata dei costi e dei benefici di ciascun tipo di esame, fa sapere il gruppo di studio. Ma non solo. Tempo è un paradigma flessibile, utilizzabile nell’ambito della diagnosi precoce di altri tipi di tumori e di altre patologie e «continuerà a migliorare man mano che i modelli di rischio e le metriche dei risultati verranno ulteriormente perfezionati».