L’incertezza e l’ansia che accompagnano l’attesa di una diagnosi o dei risultati di un trattamento sono tra le esperienze più difficili per un paziente oncologico. Ma oggi, l’intelligenza artificiale (IA) offre una nuova speranza. Un recente studio ha aperto la strada a una diagnosi più rapida del cancro al seno, un passo fondamentale per un intervento tempestivo e cure efficaci.
Intelligenza artificiale per una diagnosi più rapida del cancro al seno
La ricerca, condotta dalla dottoressa Keka Biswas, docente di scienze biologiche presso l’UAH, si concentra sull’utilizzo di reti neurali e deep learning (DL) per analizzare le immagini ecografiche del cancro al seno. Il deep learning, un sottocampo dell’apprendimento automatico, impiega modelli basati su reti neurali per imitare la capacità del cervello umano di analizzare enormi quantità di dati complessi, come il riconoscimento delle immagini.
“Il deep learning è un sottocampo dell’apprendimento automatico che impiega modelli basati su reti neurali per imitare la capacità del cervello umano di analizzare enormi quantità di dati complessi in ambiti come il riconoscimento delle immagini”, spiega Biswas. “Le applicazioni includono la scoperta di sottotipi di cancro, la classificazione di testo, l’imaging medico, ecc. Con l’intelligenza artificiale, è possibile utilizzare questi progressi durante l’intervento chirurgico per vedere in quale stadio si trova il cancro e l’imaging richiede tempi di risposta molto più rapidi”.
L’ecografia mammaria è uno strumento prezioso per rilevare e distinguere masse benigne da maligne, ma l’interpretazione delle immagini e l’analisi dei dati richiedono tempo e possono essere difficili per medici e radiologi. Lo studio della dottoressa Biswas mira a risolvere proprio questo problema, accelerando la classificazione e l’analisi delle immagini mediche delle lesioni mammarie. Una diagnosi accurata e tempestiva è cruciale per un trattamento efficace e per aumentare le possibilità di guarigione.
L’intelligenza artificiale (IA) sta aprendo nuove frontiere nell’ambito dell’imaging medico, offrendo numerosi vantaggi che potrebbero rivoluzionare il settore. Uno dei principali è la maggiore precisione nella diagnosi. I modelli di deep learning, infatti, sono in grado di analizzare le immagini con una accuratezza superiore a quella umana, identificando dettagli che potrebbero sfuggire anche all’occhio più esperto. Questo si traduce in una maggiore capacità di individuare precocemente patologie anche di piccole dimensioni, aumentando le possibilità di successo delle terapie.
Un altro vantaggio fondamentale è la maggiore velocità nell’elaborazione dei dati. L’IA è in grado di analizzare grandi quantità di immagini in tempi estremamente ridotti rispetto ai metodi tradizionali, abbattendo drasticamente i tempi di attesa per i risultati degli esami. Questo non solo migliora l’efficienza del lavoro dei medici, ma soprattutto riduce l’ansia dei pazienti che devono attendere una diagnosi.
L’IA contribuisce a una maggiore efficienza complessiva del sistema sanitario. Supportando i medici nel processo decisionale, fornendo informazioni utili e suggerimenti per la diagnosi e il trattamento, l’IA permette di ottimizzare le risorse e di personalizzare le cure. In questo modo, si possono ridurre i costi e migliorare l’efficacia degli interventi, a beneficio sia dei pazienti che del sistema sanitario nel suo complesso.
La ricerca della dottoressa Biswas rappresenta un importante passo avanti nella lotta contro il cancro al seno. L’IA ha il potenziale per rivoluzionare la diagnosi e il trattamento di questa malattia, offrendo ai pazienti una speranza concreta per un futuro più sano. Nei prossimi anni, potremmo assistere a ulteriori sviluppi che renderanno la diagnosi del cancro al seno ancora più rapida, precisa ed efficiente. L’intelligenza artificiale si sta rivelando un alleato prezioso nella lotta contro questa malattia, aprendo nuove prospettive per la ricerca, la prevenzione e la cura.
Diagnosi precoce: una questione di tempo
“Nonostante i progressi compiuti nella diagnosi, nella prognosi e nel trattamento dei pazienti oncologici, l’assistenza personalizzata basata sui dati rimane una sfida significativa”, osserva la studiosa. “L’intelligenza artificiale, con la sua capacità di prevedere e automatizzare diversi aspetti della gestione dei tumori, si sta rivelando una risorsa promettente per migliorare l’accuratezza delle cure e gli esiti per i pazienti”.
Le applicazioni dell’IA in oncologia sono molteplici e includono la valutazione del rischio, la diagnosi precoce, la prognosi, la stima e la selezione del trattamento, grazie all’apprendimento profondo. Lo studio condotto da Biswas si concentra sulla relazione tra le caratteristiche dell’imaging del cancro al seno e il ruolo dei tessuti circostanti (inter- ed extra-lesionali), analizzandone l’impatto sul miglioramento delle prestazioni dei modelli di classificazione basati sul deep learning.”
I tumori, sia benigni che maligni, esercitano un’influenza sui tessuti circostanti, lasciando delle “impronte” che variano a seconda della loro natura. Queste alterazioni, come ad esempio il tipo di crescita, le irregolarità dei bordi, il grado di penetrazione nei tessuti adiacenti e le modifiche a livello cellulare, forniscono informazioni preziose sulla natura del tumore stesso.
“È qui che entra in gioco l’apprendimento profondo”, spiega Biswas. “Analizzando sia i tessuti più profondi che quelli più esterni, questa tecnologia è in grado di fornirci set di dati utili per la ricerca”. I ricercatori, sfruttando l’intelligenza artificiale e il pre-addestramento, creano “set di dati di reti neurali”. Si tratta di raccolte di dati etichettati che vengono utilizzate per “addestrare” una rete neurale, un tipo di algoritmo di apprendimento automatico che si ispira al funzionamento del cervello umano. Attraverso questo processo di apprendimento, la rete neurale impara a identificare pattern e a fare previsioni su nuovi dati.
Il processo di training di un modello di deep learning spesso prevede l’utilizzo di un approccio transfer learning. Inizialmente, un modello viene pre-addestrato su un dataset di grandi dimensioni, consentendogli di apprendere rappresentazioni generalizzate dei dati. Successivamente, il modello pre-addestrato viene fine-tunato su un dataset più piccolo e specifico per il task target, ottimizzando le performance per un particolare obiettivo di ricerca. Questo approccio consente di sfruttare le conoscenze apprese durante la fase di pre-training, migliorando l’efficienza dell’addestramento su dataset più piccoli e specializzati.
Nel 2023, un incontro casuale in Sud Africa ha segnato una svolta cruciale per la ricerca della dottoressa Biswas. Durante una conferenza, ha conosciuto la dottoressa Luminita Moraru, una professoressa dell’Università di Galati (Romania) con un interesse professionale simile, ma con un approccio differente: “Ho incontrato la dottoressa Moraru, che proveniva dal dipartimento di chimica della sua università, dove dirige un laboratorio di modellistica e simulazione”, racconta Biswas. “Tuttavia, non possedeva le conoscenze in biologia o anatomia necessarie per questo tipo di ricerca”.
Da questa conversazione è nata una collaborazione fruttuosa. Le due ricercatrici hanno realizzato di poter unire le loro competenze complementari per affrontare sfide complesse legate all’analisi dei dati: “Quasi contemporaneamente, una mia cara amica ha ricevuto una diagnosi di cancro al seno ed era disperata”, ricorda Biswas, ancora scossa: “La cosa più spaventosa era la lentezza nell’ottenere i risultati di tutti i test diagnostici”.
Questo evento personale ha rafforzato ulteriormente la determinazione di Biswas nell’accelerare i tempi di diagnosi attraverso l’applicazione dell’intelligenza artificiale, spingendola a cercare soluzioni più rapide ed efficienti per i pazienti.
“L’estate del 2024 mi ha visto vivere in prima persona ciò di cui parlo”, racconta: “Durante un controllo di routine, ho descritto i miei sintomi al medico, che ha ritenuto necessaria una biopsia. Due giorni dopo, la chiamata che temevo: ‘Deve tornare, i risultati sono arrivati’. E ho capito subito che c’era qualcosa che non andava. ‘Lei ha un cancro’, mi ha detto il medico.
‘In quale stadio è?’, ho chiesto. Ma non era in grado di dirmelo, nemmeno con gli esami patologici già eseguiti. Ho un figlio, una famiglia. Avevo bisogno di sapere in che fase fosse, quale sarebbe stato il trattamento. Ci sono volute altre tre o quattro settimane per avere risposte. L’attesa è stata il problema più grande: avevo bisogno di sapere se avrei dovuto subire un intervento chirurgico, quanto tempo ci sarebbe voluto per la guarigione.
È stato un processo lungo e frustrante. Il mio oncologo stesso era molto preoccupato”, continua il ricercatore. “Avevo una diagnosi, ma nessuna immagine che mostrasse lo stadio del tumore, se avesse già dato metastasi o meno. Avevo bisogno di sapere al più presto cosa mi aspettava”.
Conclusioni
L’intelligenza artificiale (IA) si sta rivelando un alleato prezioso nella lotta contro il cancro al seno, aprendo nuove prospettive per una diagnosi più rapida e accurata. Lo studio menzionato, che sfrutta la capacità del deep learning di analizzare immagini ecografiche complesse, rappresenta un passo significativo verso la riduzione dei tempi di attesa e l’ottimizzazione delle cure.
I vantaggi dell’IA in questo ambito sono molteplici: maggiore precisione nell’identificare dettagli che sfuggono all’occhio umano, maggiore velocità nell’elaborare grandi quantità di dati e maggiore efficienza nel supportare i medici nelle decisioni cruciali. Questi progressi non solo migliorano le possibilità di successo del trattamento, ma contribuiscono anche a ridurre l’ansia e l’incertezza che gravano sui pazienti durante il percorso diagnostico.
È fondamentale sottolineare che questa ricerca rappresenta un punto di partenza. Il campo dell’IA è in continua evoluzione e ci si aspetta che nei prossimi anni vengano sviluppate ulteriori applicazioni in grado di migliorare ulteriormente la diagnosi e il trattamento del cancro al seno. L’obiettivo ultimo è quello di rendere la lotta contro questa malattia sempre più efficace, tempestiva e personalizzata, offrendo ai pazienti una speranza concreta per un futuro più sano.
Lo studio è stato pubblicato su Scientific Reports.
