AI e radiomica per la classificazione di tumori alla mammella: le prospettive

(1)

AI e radiomica per la classificazione di tumori alla mammella: le prospettive

LINK: https://www.agendadigitale.eu/sanita/ai-e-radiomica-per-la-classificazione-di-tumori-alla-mammella-le-prospettive/

A I e r a d i o m i c a p e r l a classificazione di tumori alla mammella: le prospettive Home Sanità digitale In a m b i t o r a d i o l o g i c o l o sviluppo di sistemi basati su intelligenza artificiale sta avendo un enorme sviluppo e grazie alla Radiomica si sta ampliando il campo applicativo. Vediamo in che m o d o u n t e a m dell'Università di Palermo ha sviluppato un sistema p e r f o r n i r e u n a classificazione di lesioni mammarie 5 secondi fa Salvatore Gaglio Presidente di AICA Sezione Sicilia, Dipartimento di Ingegneria - Università di Palermo ICAR- CNR Francesco Prinzi Università degli Studi di Palermo Salvatore Vitabile P r o f e s s o r e A s s o c i a t o , presso il Dipartimento di Biopatologia e Biotecnologie Mediche, Università degli Studi di Palermo Un team m u l t i d i s c i p l i n a r e d i i n g e g n e r i e m e d i c i d e l L a b o r a t o r i o d i M e d i c a l Imaging 'C. La Grutta' del D i p a r t i m e n t o d i Biomedicina, Neuroscienze

e D i a g n o s t i c a a v a n z a t a dell'Università di Palermo, si è occupato dello sviluppo di un Clinical Decision Support S y s t e m ( C D S S ) c h e a p a r t i r e d a s e q u e n z e d i risonanze magnetiche è in g r a d o d i f o r n i r e u n a classificazione di lesioni mammarie, suddividendole in due classi: maligne o benigne. Visto che in fase di test il sistema ha ottenuto a c c u r a t e z z e m o l t o promettenti, il lavoro getta l e b a s i p e r u n o s t u d i o prospettico. Un'intelligenza artificiale 'spiegabile' per u n a S a n i t à e f f i c a c e e sicura: i nodi Indice degli a r g o m e n t i S i s t e m i d i s u p p o r t o a l l e d e c i s i o n i cliniche ed Explainable AI Di c o s a p a r l i a m o q u a n d o parliamo di Radiomica Le insidie dell'uso dell'IA in m e d i c i n a R a d i o m i c a : i l ponte tra Radiologia ed AI L ' E x p l a i n a b l e A I p e r l a classificazione di tumori alla m a m m e l l a C o n c l u s i o n i Sistemi di supporto alle d e c i s i o n i c l i n i c h e e d Explainable AI Un Clinical Decision Support System

( C D S S ) è u n s i s t e m a sviluppato per supportare il processo decisionale dei medici. Esistono tanti tipi di CDSS: quelli passivi, quelli attivi, quelli on-line, quelli o f f - l i n e , q u e l l i c h e f o r n i s c o n o u n a classificazione dei dati di i n g r e s s o , q u e l l i c h e suggeriscono quale azione intraprendere. Nell'ambito d e l l ' A I è i m p o r t a n t e classificare i CDSS in base a l p r o c e s s o o m o d e l l o decisionale interno, che può e s s e r e b a s a t o s u l l a conoscenza o basato sui dati Fig1. INFOGRAFICA B a s t a c a r t a , p e r d i t e d i tempo, sprechi di risorse:

e c c o i l n u o v o u f f i c i o paperless! Big Data Cloud S c o p r i d i p i ù S c a r i c a l'Infografica Figura - Modelli d e c i s i o n a l i i n t e r n i L'approccio preferito, fino a poco tempo fa, è stato q u e l l o b a s a t o s u l l a c o n o s c e n z a o s u l r a g i o n a m e n t o , i n c u i e s i s t e v a l a f i g u r a d e l l ' i n g e g n e r e d e l l a conoscenza che si occupava della rappresentazione della

La proprietà intellettuale è riconducibile alla fonte specificata in testa alla pagina. Il ritaglio stampa è da intendersi per uso privato

(2)

conoscenza e il relativo sviluppo di regole. I modelli ad albero decisionale Fig.2, ad esempio, sono i modelli più antichi e ancora oggi utilizzati nella pratica clinica perché hanno il vantaggio di essere interpretabili.

Sostanzialmente un CDSS di questo tipo, che è anche chiamato a regole, non fa altro che automatizzare la raccolta di informazioni e fornire consigli in base ad una linea guida delineata da un medico, rappresentando di fatto il massimo della t r a s p a r e n z a e dell'affidabilità [1]. Figura - E s e m p i o d i a l b e r o decisionale Tuttavia, con l'avvento dei Big Data, i C D S S b a s a t i s u i d a t i forniscono un punto di vista d i f f e r e n t e r i s p e t t o a i precedenti: il loro scopo n o n è p i ù s e g u i r e i l r a g i o n a m e n t o convenzionale del medico, p i u t t o s t o è q u e l l o d i sfruttare grandi quantità di d a t i p e r a p p r e n d e r e l e relazioni tra dati di ingresso e dati di uscita e fornire un suggerimento al medico p r o f e s s i o n i s t a . D i c o s a parliamo quando parliamo di Radiomica È il caso della R a d i o m i c a ( c h e s i a p p r o f o n d i r à s u c c e s s i v a m e n t e ) c h e , g r a z i e a l l ' e s t r a z i o n e d i caratteristiche quantitative a partire da tante immagini m e d i c h e , p e r m e t t e d i caratterizzare le relazioni t r a i p i x e l p r e s e n t i

nell'immagine, fornendo di fatto un punto di vista impossibile da considerare per il medico. Attraverso delle variabili di input, che a q u e s t o p u n t o p o s s o n o essere quelle radiomiche (ma non solo), è possibile addestrare dei modelli di Machine Learning e Deep Learning a restituire un o u t p u t p r e c i s o : m a l i g n o / b e n i g n o , m a l a t t i a / n o n m a l a t t i a , trattamento efficace/non e f f i c a c e , e t c . S e b b e n e l ' I n t e l l i g e n z a A r t i f i c i a l e comprenda molto altro, il Machine Learning e il Deep Learning sono le sue sotto- b r a n c h e p i ù c i t a t e e u t i l i z z a t e n e l l ' u l t i m o d e c e n n i o . I l M a c h i n e L e a r n i n g , c o n i s u o i c o m p l e s s i a l g o r i t m i s t a t i s t i c i , s i o c c u p a d i inferire della conoscenza su un algoritmo attraverso la ricerca di pattern tra i dati di addestramento, con lo s c o p o d i r i u s c i r e a generalizzare la conoscenza a p p r e s a a n c h e s u d a t i d i v e r s i d a q u e l l i d i addestramento. In effetti anche gli algoritmi di Deep Learning si pongono questo obiettivo e sono quindi da c o n s i d e r a r s i u n a specializzazione del Machine Learning. Tuttavia, il Deep L e a r n i n g i n t r o d u c e u n a s o s t a n z i a l e d i f f e r e n z a a r c h i t e t t u r a l e d e g l i algoritmi: la 'profondità'.

Ispirati proprio dal cervello u m a n o , l e r e t i n e u r a l i

profonde, sono composte da tanti strati di neuroni e consentono la scoperta di pattern su più livelli di r a p p r e s e n t a z i o n e , implementando il concetto d i ' g e r a r c h i e d i c a r a t t e r i s t i c h e ' o ' c a r a t t e r i s t i c h e d i c a r a t t e r i s t i c h e ' . L e caratteristiche (features) che vengono estratte al p r i m o l i v e l l o dell'architettura sono le caratteristiche di basso l i v e l l o e n e g l i s t r a t i successivi queste diventano c a r a t t e r i s t i c h e d i c a r a t t e r i s t i c h e q u i n d i a livello più alto, cioè più a s t r a t t e . Q u e s t ' u l t i m e r a p p r e s e n t e r a n n o u n a forma ancora più saliente e informativa delle variabili f o r n i t e i n i n g r e s s o , c o n s e n t e n d o l'addestramento di algoritmi più performanti. Le insidie dell'uso dell'IA in medicina Sebbene in questo periodo di innovazione tecnologica l'Intelligenza Artificiale stia r i c o p r e n d o u n r u o l o primario, il suo impiego in medicina nasconde ancora m o l t e i n s i d i e . I n u o v i algoritmi di AI assieme alla crescita dei Big Data ha consentito lo sviluppo di sistemi di supporto alle decisioni cliniche sempre più performanti ma sempre m e n o i n t e r p r e t a b i l i , riconoscendogli la fama di b l a c k - b o x . Q u e s t a mancanza di trasparenza r e n d e s i a i m e d i c i c h e ,

(3)

s o p r a t t u t t o , i p a z i e n t i scettici nei confronti di queste nuove tecnologie e r a p p r e s e n t a q u i n d i u n grosso ostacolo da dover superare per vedere questi s i s t e m i r e a l m e n t e utilizzabili nella pratica clinica. Tuttavia, la ricerca s c i e n t i f i c a n e l s u d d e t t o ambito corre molto veloce e per questo esistono già gli strumenti per rendere i modelli robusti, credibili e i n t e r p r e t a b i l i . G r a z i e a questo, moderni algoritmi di AI stanno trovando negli ultimi anni innumerevoli a p p l i c a z i o n i i n a m b i t o medico: accelerazione nella s c o p e r t a d i f a r m a c i , i n t e r p r e t a z i o n e d e l l e c a r t e l l e c l i n i c h e e l e t t r o n i c h e , m e d i c i n a personalizzata, genetica e d i a g n o s t i c a . T u t t o c i ò sembra promettente perché e f f e t t i v a m e n t e q u e s t i modelli, previa disponibilità di una grande quantità di dati etichettati e validati, funzionano, sono veloci, distribuibili ed hanno delle accuratezze quasi perfette.

Perché allora attualmente n o n s i s o n o d e l t u t t o affermati nella reale pratica c l i n i c a ? S e d a u n l a t o l'utilizzo delle famose Reti Neurali Artificiali (ANN), M a c c h i n e a V e t t o r i d i Supporto (SVM), Foreste Casuali (RF) e tanti altri a l g o r i t m i , c o n s e n t o n o l'addestramento di modelli molto performanti, dall'altro non si occupano di spiegare

' c o m e ' e ' p e r c h é ' r e s t i t u i s c o n o u n determinato risultato. Per questo motivo, tali algoritmi sono definiti di tipo black- box, modelli che vengono addestrati ad apprendere una funzione totalmente i n s p i e g a b i l e e c h e restituiscono un risultato e s a t t o , r a p p r e s e n t a n d o l'opposto della trasparenza fornita dai vecchi CDSS.

Q u e s t a m a n c a n z a d i trasparenza rende medici e pazienti scettici e non a proprio agio nell'utilizzare e soprattutto nel fidarsi di s i s t e m i c h e i n m a n i e r a oscura restituiscono un r e s p o n s o s e n z a u n a spiegazione. Nell'ambito medico non è quindi solo sufficiente avere un modello p e r f o r m a n t e , m a è necessario una spiegazione dell'output ottenuto dal modello. La soluzione a q u e s t o p r o b l e m a n e g l i ultimi anni sembra essere l ' E x p l a i n a b l e A I ( X A I ) , ovvero quella disciplina che s i o c c u p a d i r e n d e r e interpretabili e trasparenti i modelli black-box. Ci sono algoritmi di XAI in grado di quantificare quanto ogni v a r i a b i l e d i i n p u t h a contribuito all'output finale, o p p u r e q u a l i s o n o l e variabili che fanno tendere il modello a restituire la presenza di una condizione piuttosto che l'assenza e tutto ciò può funzionare su dati clinici, caratteristiche radiomiche, immagini, etc.

Grazie a queste tecnologie, i CDSS basati sui dati, che fino a poco tempo fa erano ritenuti potenti ma poco ' t r u s t a b l e ' , m i r a n o a d essere sempre più utilizzati, diventando uno strumento che può realmente aiutare il medico durante il processo di diagnosi e durante il decorso clinico del paziente.

Radiomica: il ponte tra Radiologia ed AI In ambito radiologico lo sviluppo di C D S S s t a a v e n d o u n enorme sviluppo e grazie a l l a R a d i o m i c a s i s t a a m p l i a n d o i l c a m p o applicativo. La Radiomica è q u e l l a d i s c i p l i n a c h e s i occupa dell'estrazione e l'analisi di caratteristiche quantitative calcolate a p a r t i r e d a i m m a g i n i mediche (TC, RM, PET etc.), per caratterizzare particolari regioni di interesse (ROI) come lesioni, tumori, vasi, tessuti. L'estrazione avviene a t t r a v e r s o o p p o r t u n e formule matematiche e le caratteristiche si possono dividere in due grandi classi [ 2 ] : S e m a n t i c h e : s o n o u s a t e p e r d e s c r i v e r e l ' a s p e t t o m o r f o l o g i c o qualitativo delle regioni di interesse come dimensioni, f o r m a , p o s i z i o n e , v a s c o l a r i z z a z i o n e , s p e c u l a z i o n e o n e c r o s i . Agnostiche: si riferiscono alla descrizione quantitativa di parametri invisibili, ma legati all'eterogeneita delle l e s i o n i c o m e t e s s i t u r a , istogramma, trasformate di

(4)

Wavelet, trasformazioni di Laplaciani, funzionali di Minkowski e frattali. Le tessiture possono anche essere ottenute attraverso metodi statistici di primo o secondo ordine oppure di ordine più elevato. Queste c a r a t t e r i s t i c h e caratterizzano la regione di i n t e r e s s e a t t r a v e r s o relazioni microscopiche tra pixel, rappresentando un p u n t o d i v i s t a complementare a quello del medico. Per ogni volume medico o ROI, è quindi possibile estrarre centinaia o migliaia di caratteristiche r a d i o m i c h e c h e v a n n o opportunamente elaborate ed analizzate per risolvere u n t a s k s p e c i f i c o . P e r questo alla loro estrazione s e g u e l a t r a d i z i o n a l e pipeline di sviluppo dei modelli di AI: selezione d e l l e c a r a t t e r i s t i c h e , r i d u z i o n e d e l l a d i m e n s i o n a l i t à , addestramento dei modelli, t e s t e v a l i d a z i o n e . L e v a r i a b i l i R a d i o m i c h e , assieme agli algoritmi di AI spiegabili, rappresentano q u i n d i u n o s t r u m e n t o perfetto per lo sviluppo di un Sistema di Supporto alle Decisioni Cliniche basato sui dati, finalizzato quindi non s o l o a d e m u l a r e i l ragionamento del medico, ma supportarlo attraverso lo studio di un punto di v i s t a i n v i s i b i l e e complementare a quello convenzionale, fornendone

inoltre una spiegazione.

L ' E x p l a i n a b l e A I p e r l a classificazione di tumori alla mammella Il cancro al seno è il tumore più diffuso che minaccia la salute delle donne. Solo nel 2018 sono stati diagnosticati circa 2,1 milioni di casi di cancro al seno in tutto il mondo di cui p i ù d i 6 0 0 m i l a s o n o risultati mortali. Tra le d o n n e r a p p r e s e n t a i l tumore più comunemente diagnosticato e la principale causa di morte per cancro;

l'Italia insieme a tutto il Sud E u r o p a , r i s u l t a l a popolazione al quinto posto per tasso di incidenza [3].

G r a z i e a l l a c a p a c i t à d i fornire caratteristiche sia m o r f o l o g i c h e c h e emodinamiche, l'imaging a risonanza magnetica con contrasto dinamico (DCE- M R I ) g i o c a u n r u o l o fondamentale nella diagnosi della lesione mammaria. La sequenza DCE-MRI consiste n e l l ' a c q u i s i z i o n e d e l l a stessa immagine in istanti consecutivi di tempo dopo l'emissione di un mezzo di contrasto, componendo così una sequenza di MRI. A partire dalle ROI sono state estratte le caratteristiche radiomiche in ogni istante della sequenza DCE-MRI per addestrare un modello X G B o o s t , i n g r a d o d i restituire la probabilità di malignità o benignità della lesione. Avendo come input l e s e i c a r a t t e r i s t i c h e radiomiche più descrittive di

ogni istante temporale, il sistema è inoltre progettato per segnalare quelle che sono state più importanti per il task di classificazione, suggerendo al radiologo l'istante più significativo della sequenza DCE-MRI.

Questo è possibile grazie ad un algoritmo per il calcolo dei valori di Shapley [4], o v v e r o u n s i s t e m a p e r assegnare una ricompensa ad ogni giocatore presente in una coalizione, in questo caso quanto ogni istante temporale ha contribuito a r i s o l v e r e i l t a s k d i classificazione. Conclusioni L'utilizzo della Radiomica i n s i e m e a l l ' I n t e l l i g e n z a A r t i f i c i a l e c o n s e n t e l'implementazione di sistemi di supporto alle decisioni in g r a d o d i s u p p o r t a r e efficacemente il processo di diagnosi. Oltre ad essere n u m e r i c a m e n t e performanti, è importante che i sistemi non si limitino a l l a r e s t i t u z i o n e d i u n r i s u l t a t o , m a n e d i a n o a n c h e u n a s p i e g a z i o n e . Q u e s t a c a r a t t e r i s t i c a aumenta sicuramente la fiducia uomo-macchina e incoraggia l'uso di questi sistemi nella reale pratica clinica. [1] Wasylewicz ATM, Scheepers-Hoeks AMJW.

Clinical Decision Support Systems. 2018 Dec 22. In:

Kubben P, Dumontier M, D e k k e r A , e d i t o r s . Fundamentals of Clinical Data Science [Internet].

C h a m ( C H ) : S p r i n g e r ;

(5)

2019. Chapter 11. PMID:

31314237. [2] Gillies RJ, K i n a h a n P E , H r i c a k H . R a d i o m i c s : i m a g e s a r e more than pictures, they a r e d a t a . R a d i o l o g y . 2016;278(2):563-77. https ://doi.org/10.1148/radio l.20151 51169 . [3] Bray F, Ferlay J, Soerjomataram I, Siegel RL, Torre LA, Jemal A. Global cancer statistics 2 0 1 8 : G L O B O C A N estimates of incidence and mortality worldwide for 36 cancers in 185 countries.

CA Cancer J Clin. 2018 Nov;68(6):394-424. doi:

10.3322/caac.21492. Epub 2018 Sep 12. Erratum in:

CA Cancer J Clin. 2020 J u l ; 7 0 ( 4 ) : 3 1 3 . P M I D : 30207593. [4] Lundberg, S . , L e e , S . I . , 2 0 1 7 . A u n i f i e d a p p r o a c h t o i n t e r p r e t i n g m o d e l predictions. arXiv preprint a r X i v : 1 7 0 5 . 0 7 8 7 4 . WHITEPAPER Cosa serve per risparmiare davvero sull'energia? L'IoT da solo n o n b a s t a ! I n t e l l i g e n z a Artificiale IoT Scarica il W h i t e P a p e r S c a r i c a i l W h i t e p a p e r

@ R I P R O D U Z I O N E R I S E R V A T A