L’applicazione dell’Intelligenza Artificiale nella gestione dei tumori cerebrali

21 Feb , 2024 - News

L’applicazione dell’Intelligenza Artificiale nella gestione dei tumori cerebrali

L’Intelligenza Artificiale (AI) può essere definita come la capacità di sistemi computerizzati di eseguire delle prestazioni (“tasks”) che normalmente richiedono l’intelligenza umana.

Il miglioramento delle capacità nel campo dell’informatica, unito alla necessità di analizzare milioni di dati (“big data”), stanno portando ad un crescente impiego dell’Intelligenza Artificiale in medicina con modelli sempre più complessi (machine learning, deep learning, ecc.).

intelligenza artificiale tumore

Il meccanismo di base della Intelligenza Artificiale è quello di costruire dei modelli operativi (algoritmi) partendo dalla immissione nella “macchina” di milioni di dati clinici, radiologici, istologici, molecolari (training data) che vengono rianalizzati e correlati fra loro. Due sono i campi di applicazione attuali della AI nel campo delle neoplasie cerebrali, che per ora sono confinate prevalentemente nell’ambito della ricerca: la neuroradiologia e la neuropatologia.

La prima applicazione si riferisce all’analisi di immagini di risonanza magnetica.

I vari sistemi di AI permettono una segmentazione automatica delle varie componenti del tumore (es. parte centrale necrotica, parte attiva che assume il mezzo di contrasto, parte edematosa) nel cui ambito si estraggono poi migliaia di aspetti secondari (“features”, quali il volume, la forma, i contorni, ecc.) costruendo alla fine migliaia di sottogruppi con caratteristiche differenti. Questo permette, in una seconda fase, di stabilire correlazioni con fattori molecolari (cosiddetta radiomica o radiogenomica).

Attualmente è riportata nella letteratura scientifica una accuratezza tra l’88% e il 94% nel predire in maniera non-invasiva (cioè che non richiede tessuto proveniente da un intervento neurochirurgo) fattori molecolari (mutazioni dei geni IDH 1/2, metilazione MGMT, istoni) che già oggi nella pratica clinica servono per predire il decorso (più o meno favorevole) o la risposta a certe terapie dei gliomi (che sono i tumori cerebrali primitivi più frequenti).

Una potenziale applicazione nel futuro sarà quella di velocizzare lo screening pre-operatorio dei pazienti candidabili all’inclusione in trials clinici che richieda la presenza di un fattore molecolare come bersaglio di terapia.

La radiomica può poi essere applicata per una più precisa identificazione di sottogruppi di pazienti a diversa probabilità di sopravvivenza e risposta alle terapie molecolari, che sono di crescente utilizzo sia nei tumori primitivi (esempio gli inibitori della mutazione IDH) che nelle metastasi cerebrali da tumori del polmone, della mammella o melanoma. La radiomica ha poi molteplici applicazioni nel campo della radioterapia, come ad esempio una migliore definizione delle aree di infiltrazione alla periferia dei tumori o la segmentazione automatica dei volumi bersaglio per il trattamento radiante.

ai tumore cervello

L’altra categoria di applicazioni dell’Intelligenza Artificiale riguarda il campo della neuropatologia (diagnostica) dei tumori, sotto cui ricadono applicazioni di vario genere.

Le più semplici consistono nell’analisi computerizzata di aspetti istologici e/o molecolari, che presentano il vantaggio di velocizzare le analisi e ridurre la variabilità nell’interpretazione dei risultati da parte di esaminatori diversi. Tra le applicazioni più complesse, analogamente alla radiomica, abbiamo la creazione di nuovi biomarcatori, che partono da analisi computerizzate di intere sezioni istologiche, che poi vengono integrate con i dati clinici e molecolari.    

Negli ultimi anni sono stati elaborati diversi modelli di classificazione dei gliomi basati sulla AI. Uno degli ultimi nati è il DeepGlioma, creato presso l’Università della California, San Francisco, che permette una rapida classificazione molecolare già basandosi sull’analisi del tumore durante l’intervento neurochirurgico.

Vi sono, comunque, delle problematiche che tutt’ora limitano l’estensivo impiego di questi algoritmi di AI e che si cercano di migliorare con il miglioramento delle tecniche informatiche. Nei tumori rari (quali la maggior parte dei tumori intracerebrali primitivi) il rischio è di avere dei training sets limitati, per cui è indispensabile la creazione di database di dati clinici, neuroradiologici e molecolari multicentrici.

Un altro rischio inerente agli algoritmi di AI è il cosiddetto “over-fitting” cioè che il modello impari a basarsi su aspetti artefattuali dei database. Inoltre i processi decisionali binari (es. presenza/assenza di cellule tumorali in un campione diagnostico) possono non essere chiari al clinico che deve prendere decisioni conseguenti (cosiddetto “black box”): di conseguenza si elaborano algoritmi che comportino una piena spiegazione dei processi decisionali.   

intelligenza artificlale tumori

Nel futuro gli algoritmi di AI potranno essere applicati all’identificazione non solo di singoli fattori molecolari ma di più complesse vie molecolari che includano multipli fattori o all’analisi delle classi di metilazione del DNA, che rappresentano già oggi l’ultima frontiera nella sotto-classificazione dei diversi tipi di tumori cerebrali.

È importante ricordare che gli algoritmi relativi alle diverse fasi di un tumore (diagnosi, valutazione post-terapia, predizione della sopravvivenza) utilizzano tecniche diverse.

Più in generale sono aperte tutta una serie di problematiche/sfide nell’applicazione dell’Intelligenza Artificiale non solo nei tumori, ma in medicina.

Affinché i dati sviluppati da un modello di AI siano generalizzabili, occorre una rigorosa validazione su popolazioni differenti e molto ampie. Il che vuole dire creare modelli di condivisione dei dati (per il training dei modelli) tra diverse istituzioni, che comportano a sua volta problemi di privacy e governance dei dati. È indispensabile che ci sia un aggiornamento continuo dei “training data” e dei modelli predittivi. Ovviamente i vari modelli di AI sviluppati da soggetti privati o pubblici devono essere validati dalle Autorità Regolatorie prima di essere immessi sul mercato.

Un problema, in futuro, per i clinici sarà quello di una adeguata informazione dei pazienti sui vantaggi e rischi dell’utilizzazione dei vari algoritmi nella diagnosi o programmazione delle terapie.

Bibliografia

  1. Aneja S, et al. Applications of artificial intelligence in neuro-oncology. Current Opinion in Neurology. 2019;32(6):850-856.
  2. Chakrabarty S, et al. MRI-based classification of IDH mutation and 1p/19q codeletion status of gliomas using a 2.5D hybrid multi-task convolutional neural network. Neuro-Oncology Advances. 2023;5(1):vdad023.
  3. Jian A, et al. Artificial Intelligence for Survival Prediction in Brain Tumors on Neuroimaging. Neurosurgery. 2022;91(1):8-26.
  4. Mellinghoff IK, et al; INDIGO Trial Investigators. Vorasidenib in IDH1- or IDH2-Mutant Low-Grade Glioma. New England Journal of Medicine. 2023;389(7):589-601.
  5. Alzoubi I, et al. Artificial intelligence techniques for neuropathological diagnostics and research. Neuropathology. 2023;43(4):277-296.
  6. Jin L, et al. Artificial intelligence neuropathologist for glioma classification using deep learning on hematoxylin and eosin stained slide images and molecular markers. Neuro-Oncology. 2021;23(1):44-52.
  7. Hollon T, et al. Artificial-intelligence-based molecular classification of diffuse gliomas using rapid, label-free optical imaging. Nature Medicine. 2023;29(4):828-832.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *