Da NEWS Medical Life Sciences
Uno strumento di deep learning basato sull’intelligenza artificiale (IA) che stima il rischio di malignità dei noduli polmonari ha raggiunto elevati tassi di rilevamento del cancro, riducendo significativamente i risultati falsi positivi. I risultati dello studio, che ha utilizzato dati provenienti da ampi studi di screening multicentrici per il cancro al polmone, sono stati pubblicati oggi su Radiology, una rivista della Radiological Society of North America (RSNA).
Il cancro al polmone rimane un importante problema di salute globale, causando il maggior numero di decessi correlati al cancro in tutto il mondo. È stato dimostrato che lo screening di individui ad alto rischio con TC del torace a basso dosaggio riduce la mortalità per cancro al polmone. Tuttavia, gli studi di screening precoce hanno riportato elevati tassi di falsi positivi, con conseguenti procedure di follow-up non necessarie, aumento dell’ansia dei pazienti e dei costi sanitari.
I noduli polmonari, piccole escrescenze rotonde o ovali nei polmoni, sono comuni e identificare quelli maligni è difficile nello screening del cancro al polmone.
La maggior parte degli attuali protocolli di screening per il cancro al polmone si basa sulle dimensioni, sul tipo e sulla crescita del nodulo per stimare il rischio di malignità. Il modello Pan-Canadian Early Detection of Lung Cancer (PanCan), che stima il rischio di malignità del nodulo attraverso una combinazione di caratteristiche del paziente e del nodulo, illustra come gli strumenti basati sulla probabilità possano perfezionare la valutazione del rischio. Tali soglie di rischio basate sulla probabilità sono sempre più utilizzate per guidare i protocolli di gestione. Il deep learning offre un’alternativa promettente consentendo previsioni completamente basate sui dati, ma sono necessarie ulteriori evidenze prima che possa essere adottato nella pratica clinica.
Nello studio retrospettivo, i ricercatori hanno addestrato il loro algoritmo di deep learning sviluppato internamente per stimare il rischio di malignità dei noduli polmonari utilizzando i dati del National Lung Screening Trial, che includeva 16.077 noduli (1.249 maligni).
Sono stati condotti test esterni utilizzando TC basali provenienti dal Danish Lung Cancer Screening Trial, dal Multicentric Italian Lung Detection Trial e dallo studio olandese-belga NELSON. La coorte aggregata includeva 4.146 partecipanti (età media 58 anni, 78% uomini, storia media di fumo 38 pacchetti-anno) con 7.614 noduli benigni e 180 maligni.
I ricercatori hanno valutato le prestazioni dell’algoritmo per la coorte aggregata e due sottogruppi: noduli indeterminati (5-15 mm) e noduli maligni di dimensioni corrispondenti a noduli benigni.
“Abbiamo selezionato noduli di dimensioni comprese tra 5 e 15 mm, a causa delle loro difficoltà diagnostiche e della frequente necessità di follow-up a breve termine“, ha affermato il Dott. Antonissen. “Una classificazione accurata del rischio di questi noduli potrebbe ridurre le procedure non necessarie“.
A titolo di confronto, le prestazioni dell’algoritmo sono state valutate rispetto al modello PanCan a livello di nodulo e di partecipante, utilizzando, tra gli altri parametri, l’area sotto la curva caratteristica operativa del ricevitore (AUC). L’AUC riassume la capacità di un modello di produrre punteggi relativi per discriminare tra casi positivi o negativi su tutte le soglie di classificazione.
Nella coorte aggregata, il modello di deep learning ha raggiunto AUC di 0,98, 0,96 e 0,94 per i tumori diagnosticati rispettivamente entro un anno, due anni e durante lo screening, rispetto a PanCan con valori di 0,98, 0,94 e 0,93.
Per i noduli indeterminati (129 maligni, 2.086 benigni), il modello di deep learning ha superato significativamente PanCan in tutti gli intervalli temporali, con AUC di 0,95, 0,94, 0,90 vs. 0,91, 0,88, 0,86. Per i tumori di dimensioni corrispondenti ai noduli benigni (180 maligni, 360 benigni), l’AUC del modello di deep learning è stata di 0,79, contro 0,60 di PanCan.
Con una sensibilità del 100% per i tumori diagnosticati entro 1 anno, il modello di deep learning ha classificato il 68,1% dei casi benigni come a basso rischio, rispetto al 47,4% del modello PanCan, con una riduzione relativa del 39,4% dei falsi positivi.
“Gli algoritmi di deep learning possono aiutare i radiologi a decidere se sia necessario un esame di imaging di follow-up, ma è necessaria una validazione prospettica per determinare l’applicabilità clinica di questi strumenti e per guidarne l’implementazione pratica“, ha affermato il Dott. Antonissen. “Ridurre i falsi positivi renderà lo screening del cancro al polmone più fattibile“.