raggi x torace
I ricercatori hanno migliorato la comune radiografia toracica utilizzando un nuovo modello di intelligenza artificiale con deep learning. Dai dati raccolti risulta che tale approccio potrebbe avere buone implicazioni nella clinica attuale; infatti, velocizza la prassi per l’identificazione di determinate patologie e presenta una buona accuratezza per la valutazione della funzione cardiaca e per la verifica della malattia.
Per diagnosticare le patologie polmonari e cardiache vengono utilizzate molto spesso le radiografie del torace. Queste, infatti, sono il test radiologico più frequentemente utilizzato al mondo. Nonostante la velocità e la facilità di esecuzione, tale esame diagnostico presenta una grave limitazione: la staticità. Un’immagine statica non può mostrare direttamente al medico il funzionamento del cuore del paziente; per questa ragione è necessario l’ausilio di un ecocardiogramma.
L’esame con ecocardiogramma permette di valutare le condizioni cardiache in tempo reale. Se le valvole cardiache risultano malate, il cuore come conseguenza non può pompare il sangue in modo efficace, il che può portare a insufficienza cardiaca o arresto cardiaco improvviso. Tuttavia, questa tipologia di esame presenta delle limitazioni.
Recentemente i ricercatori hanno progettato un nuovo modello di intelligenza artificiale deep learning per rimuovere la staticità della radiografia del torace. La nuova proposta cerca di unire le informazioni raccolte con radiografia toracica a quelle ottenute con ecocardiogramma.
Il deep learning è un processo utilizzato dall’AI per insegnare ai computer ad elaborare i dati in modo che essi possano imitare al meglio il cervello umano. Il modello creato, infatti, può riconoscere modelli complessi di: immagini, testo, suoni e altri dati. Tutto questo per portare alla produzione di intuizioni e previsioni accurate.
I ricercatori hanno testato il funzionamento del nuovo modello AI su 22.551 radiografie toraciche associate ai corrispettivi ecocardiogrammi ottenuti da un campione di 16.946 pazienti provenienti da 4 diverse strutture tra il 2013 e il 2021. Si è deciso di utilizzare i dati di più istituzioni per ridurre il rischio che il modello produca risultati distorti. Durante l’analisi si sono selezionati gli esami effettuati con i raggi X come dati di input e gli ecocardiogrammi come dati di output. Il modello è stato utilizzato per comprende le possibili correlazioni esistenti tra entrambi i set di dati.
Si è scoperto, testando il nuovo modello di deep learning, che è possibile categorizzare con precisione 6 tipologie diverse di cardiopatia valvolare. L’area sotto la curva, ossia l’indice di valutazione che indica la capacità di un modello di intelligenza artificiale di distinguere tra le classi, varia da 0,83 a 0,92 (visibile nella figura sottostante). Inoltre, l’area sotta la curva presenta un intervallo di valori da 0 a 1 dove: più il valore è vicino a 1, meglio è.
I ricercatori affermano che il nuovo modello AI potrebbe integrare gli ecocardiogrammi, specialmente quando è necessaria una diagnosi rapida. In conclusione, questa scoperta, oltre a migliorare l’efficienza delle diagnosi dei medici potrebbe essere utilizzato anche in aree in cui non ci sono specialisti; ad esempio, nelle emergenze notturne e per i pazienti che hanno difficoltà a sottoporsi ad un esame ecocardiografico.
