Scopri Come l'Intelligenza Artificiale Sta Trasformando la Risonanza Magnetica in Medicina!

L’intelligenza artificiale (AI) sta rapidamente trasformando il settore sanitario con applicazioni in diversi ambiti, dalla medicina di precisione alla gestione delle cure. Uno degli ambiti in cui l’AI ha avuto un impatto più significativo è quello dell’aumento dell’accuratezza diagnostica. Inoltre, l’AI può essere utilizzata per migliorare l’efficienza dei processi diagnostici. Inoltre, può essere utilizzata per sviluppare nuovi strumenti diagnostici, come gli algoritmi di deep learning per analizzare le immagini in tempo reale.

La diagnostica per immagini è una branca della medicina che si occupa di ottenere immagini del corpo umano, attraverso l’uso di radiazioni ionizzanti (come la radiografia), campi magnetici (come la risonanza magnetica) o ultrasuoni (come l’ecografia). Gli algoritmi di deep learning costituiscono un sottoinsieme dell’intelligenza artificiale (AI) basato sulle reti neurali artificiali, modelli informatici ispirati al funzionamento del cervello umano. Grazie alla capacità di apprendimento degli algoritmi di deep learning, la precisione delle diagnosi è migliorata sensibilmente, consentendo ai medici di individuare precocemente condizioni patologiche come tumori o lesioni.

L’automatizzazione dei processi di lettura delle immagini libera i professionisti sanitari da compiti ripetitivi, consentendo loro di concentrarsi sulle sfide diagnostiche più complesse e di fornire cure più personalizzate e tempestive. Grazie a due borse di studio finanziate dal centro neurologico pavese di eccellenza, due ricercatori hanno studiato lo sviluppo degli algoritmi di machine learning e deep learning per la previsione di biomarcatori quantitativi delle malattie dell’apparato muscolo-scheletrico.

Innovazione Italiana nella Diagnostica delle Malattie Neuromuscolari

È dall’utilizzo dell’intelligenza artificiale che arriva in Italia l’innovazione nella tecnica diagnostica della risonanza magnetica per la diagnosi e il monitoraggio delle malattie rare neuromuscolari: in pochi secondi, fino a un massimo di dieci, è possibile ottenere informazioni accurate sulle proprietà dei tessuti patologici. L’impiego sperimentale delle reti neurali per l’acquisizione delle immagini di risonanza magnetica è l’oggetto del progetto di ricerca sviluppato alla Fondazione IRCSS Mondino da due giovani ricercatori: Leonardo Barzaghi e Raffaella Fiamma Cabini, dottorandi del Centro “BioData Science” della Fondazione Mondino, coordinato dalla professoressa Silvia Figini.

Sono stati loro, già laureati in fisica a Pavia e Milano, a presentarlo in anteprima mondiale al CompMat Spring Workshop”, l’evento dedicato alle nuove frontiere del machine learning e della matematica computazionale, organizzato nella giornata di lunedì 22 maggio dall’Università di Pavia e svoltosi nell’aula Foscolo.Grazie a due borse di studio finanziate dal centro neurologico pavese, i due ricercatori hanno studiato lo sviluppo degli algoritmi di machine learning e deep learning per la previsione di biomarcatori quantitativi delle malattie dell’apparato muscolo-scheletrico.

“Per supportare la diagnosi e aumentare la qualità delle immagini anatomiche ad alta risoluzione ottenute tramite la risonanza magnetica, negli ultimi anni sono state sviluppate tecniche che permettono di quantificare le proprietà fisiche dei tessuti patologici - spiega Leonardo Barzaghi, attivo nell’Advanced Imaging and Artificial Intelligence Center dell’IRCCS Mondino, guidato dalla professoressa Anna Pichiecchio -. L’uso dei modelli più evoluti di intelligenza artificiale consente oggi di accelerare i tempi di acquisizione delle informazioni quantitative della patologia come, ad esempio, quelle realtive alla quantità dell’infiammazione, dell’atrofia e la percentuale di grasso. Grazie alle reti neurali si possono ottenere immagini in pochi secondi, abbattendo i tempi necessari con i metodi standard, quantificabili in ore”.

La ricerca di Barzaghi si è concentrata sulle immagini cliniche, mentre quella di Cabini su quelle precliniche. “Uno dei settori della nostra indagine ha riguardato la tecnica della “risonanza magnetica fingerprinting”, che consente di acquisire e calcolare in modo efficiente e più veloce, rispetto ai metodi tradizionali, mappe quantitative che rappresentano le proprietà dei tessuti. A differenza delle immagini convenzionali di risonanza magnetica, che forniscono informazioni principalmente sulla morfologia e sull’anatomia, queste nuove immagini offrono misurazioni quantitative e replicabili dei parametri specifici dei tessuti”.

Il vantaggio principale di questa tecnica - sottolinea Raffaella Fiamma Cabini, attiva nell’International Center for Advanced Computing in Medicine dell’Università di Pavia, guidato dal professor Alessandro Lascialfari, “è la riduzione dei tempi di acquisizione, così da migliorare il comfort del paziente durante l’esame di risonanza magnetica e apportare vantaggi economici alle strutture sanitarie, sia in termini di risparmio energetico per il funzionamento delle macchine sia per la possibilità di analizzare più pazienti”.

“Fin dalla sua nascita avvenuta nel 2017, il Centro “BioData Science” - commenta la responsabile scientifica, Silvia Figini, direttrice del dipartimento di Scienze politiche e sociali dell’ateneo - ha indirizzato la sua attività di ricerca nello sviluppo di algoritmi per l’analisi automatica di immagini biomediche sia in ambito clinico che preclinico. I risultati ottenuti da Barzaghi e Cabini incoraggiano l’ulteriore applicazione delle tecniche di machine learning, deep learning e modellistica matematica in ambito clinico, offrendo nuove opportunità di ricerca.

Evoluzione della Diagnostica per Immagini

Negli ultimi anni, la diagnostica per immagini ha subito una trasformazione profonda grazie all’implementazione di tecnologie sempre più avanzate. Metodiche come la tomografia computerizzata (TAC), la risonanza magnetica (RM) e la tomografia a emissione di positroni (PET) sono state rivoluzionate dall’introduzione di intelligenza artificiale (IA), magneti ad altissima intensità e traccianti molecolari innovativi. Questi progressi hanno non solo migliorato la qualità delle diagnosi, ma hanno anche ridotto i rischi per i pazienti e ampliato le possibilità di applicazione clinica, avvicinandoci sempre più a una medicina personalizzata.

Miglioramenti nella Tomografia Computerizzata (TAC)

La TAC ha visto miglioramenti radicali grazie all’utilizzo di algoritmi di intelligenza artificiale per la ricostruzione delle immagini. La tecnologia di ricostruzione iterativa avanzata, ad esempio, consente di ottenere immagini di alta risoluzione riducendo significativamente la dose di radiazioni somministrata ai pazienti. Questo è un passo avanti fondamentale, considerando l’attenzione crescente alla sicurezza nei processi diagnostici. Inoltre, l’IA permette di identificare automaticamente anomalie anche minime, riducendo il rischio di errori umani.

Nuove Frontiere nella Risonanza Magnetica (RM)

La risonanza magnetica ha beneficiato enormemente dall’introduzione di magneti ad altissimo campo, come i sistemi a 7 Tesla. Rispetto ai modelli standard, che operano a 1.5 o 3 Tesla, questi dispositivi offrono una risoluzione senza precedenti, rendendo possibile osservare dettagli anatomici estremamente fini. In neurologia, ad esempio, i sistemi a 7 Tesla permettono di mappare con precisione aree del cervello coinvolte in malattie neurodegenerative come l’Alzheimer e il Parkinson. In cardiologia, consentono di analizzare in modo dettagliato la struttura del muscolo cardiaco e rilevare microinfarti non visibili con i dispositivi tradizionali.

Integrazione PET-MRI e Traccianti Molecolari

La risonanza magnetica funzionale (fMRI), che misura in tempo reale i cambiamenti nell’ossigenazione del sangue, ha ampliato ulteriormente le applicazioni della RM. Utilizzata per studiare l’attività cerebrale e le connessioni neurali, questa tecnologia offre nuove prospettive nello studio di disturbi psichiatrici, neurologici e comportamentali. Parallelamente, la combinazione tra PET e RM, nota come PET-MRI, rappresenta un’innovazione dirompente nel campo della diagnostica oncologica. Questa tecnologia integra la precisione strutturale della RM con la sensibilità metabolica della PET, permettendo di identificare tumori in fase molto precoce.

Inoltre, lo sviluppo di nuovi traccianti molecolari specifici ha ampliato le possibilità di rilevazione di tipi di tumore sempre più complessi, consentendo una migliore pianificazione terapeutica. Ad esempio, la PET-MRI è particolarmente efficace nel cancro alla prostata, grazie a traccianti capaci di fornire informazioni dettagliate sulla localizzazione e aggressività del tumore.

Tecnologie Emergenti nella Diagnostica per Immagini

Oltre alle metodiche tradizionali, nuove tecnologie stanno emergendo nel panorama della diagnostica per immagini.

Ecografia basata su IA: L’ecografia basata su intelligenza artificiale permette di automatizzare l’acquisizione e l’interpretazione delle immagini, rendendo la diagnostica accessibile anche in contesti con risorse limitate. Ad esempio, algoritmi avanzati possono rilevare anomalie fetali durante la gravidanza con una precisione pari a quella di un esperto.
Imaging quantistico e spettroscopia a infrarossi: Un’altra frontiera è rappresentata dall’imaging quantistico e dalla spettroscopia a infrarossi, che promettono di rivoluzionare la comprensione dei meccanismi cellulari. Queste tecnologie sono ancora in fase di sviluppo, ma il loro potenziale include applicazioni nella ricerca biomedica e nella diagnosi precoce di malattie metaboliche e genetiche.

Prospettive Future della Diagnostica per Immagini

Nel prossimo decennio, inoltre, la diagnostica per immagini subirà, verosimilmente, questi positivi cambiamenti, anche nelle applicazioni pratiche. Le tecnologie di ecografia automatizzata, potenziate dall’intelligenza artificiale, si stanno evolvendo verso dispositivi portatili, accessibili e di facile utilizzo.

Entro il 2030, gli ultrasuoni intelligenti potrebbero diventare strumenti di routine per la diagnostica domiciliare. Immagini di alta qualità saranno generate e analizzate automaticamente in tempo reale da algoritmi di deep learning, riducendo la necessità di competenze tecniche avanzate per il loro utilizzo. Questi dispositivi troveranno applicazione in contesti rurali e in aree con risorse limitate, democratizzando ulteriormente l’accesso alla diagnostica.

Una delle limitazioni attuali nel campo della risonanza magnetica è l’uso di criogeni costosi e complessi per raffreddare i magneti. Nel 2030, i nuovi magneti superconduttori a temperatura ambiente potrebbero rendere la RM più economica e accessibile, consentendone l’utilizzo in strutture sanitarie più piccole o addirittura in ambulatori mobili. Questa tecnologia rivoluzionerà l’applicazione della RM, soprattutto nei paesi in via di sviluppo.

L’intelligenza artificiale continuerà a evolversi, passando da semplici strumenti di supporto alla diagnosi a veri e propri sistemi predittivi integrati. Una delle applicazioni chiave per il 2030 sarà la creazione di gemelli digitali del paziente: modelli virtuali tridimensionali e personalizzati basati su dati diagnostici, genetici e clinici. Questi gemelli digitali consentiranno di simulare l’effetto di trattamenti o interventi prima della loro applicazione reale, migliorando la personalizzazione delle cure e riducendo i rischi associati.

L’introduzione di robot miniaturizzati in grado di effettuare diagnosi in situ è una delle aree più futuristiche, ma realizzabili, per il 2030. Questi robot, spesso basati su nanostrutture, saranno capaci di navigare all’interno del corpo umano, acquisire immagini dettagliate e persino effettuare biopsie mirate senza interventi chirurgici invasivi. Il nanoimaging consentirà inoltre di osservare e analizzare strutture intracellulari con una precisione mai vista prima.

Entro il 2030, infine, le piattaforme di imaging combinato (come PET-RM e TAC-RM) saranno sempre più comuni, grazie a costi ridotti e una maggiore accessibilità. L’integrazione di questi sistemi con infrastrutture cloud consentirà una condivisione istantanea delle immagini e dei dati diagnostici tra ospedali e medici in tutto il mondo, migliorando la collaborazione interdisciplinare e riducendo i tempi di diagnosi.

Il Ruolo dell’Intelligenza Artificiale nella Trasformazione della Diagnostica

L’intelligenza artificiale sta inoltre trasformando il panorama della diagnostica per immagini, grazie alla sua capacità di analizzare grandi quantità di dati in tempi molto ridotti. Algoritmi avanzati migliorano la qualità delle immagini riducendo il rumore e aumentandone la chiarezza, identificano automaticamente anomalie e personalizzano i percorsi diagnostici e terapeutici su misura per ogni paziente.

Considerazioni Etiche e Sfide Future

Tuttavia, questa rivoluzione tecnologica solleva sfide etiche significative, come la necessità di proteggere la privacy dei dati, garantire l’accessibilità a tecnologie costose e ridurre eventuali bias negli algoritmi. Inoltre, sebbene l’IA migliori la precisione diagnostica, è cruciale che i medici mantengano un ruolo centrale nel processo decisionale, per evitare una dipendenza eccessiva dalle macchine.

L'Intelligenza Artificiale al centro della Diagnostica per Immagini

La disciplina medica della Diagnostica per Immagini si è ritrovata al centro di un fervore scientifico e produttivo che ha tutte le premesse per portare ad una disruption nell’interpretazione delle immagini mediche. L’utilizzo dell’AI in Radiologia ha mostrato grandi successi nel rilevare e classificare anomalie su radiografie, scansioni tomografiche computerizzate (CT) e di risonanza magnetica (RM), portando a diagnosi più accurate e ad una maggiore efficienza dei processi decisionali.

AI in Radiologia: PACS, RIS e DICOM

La Radiologia, rispetto ad altri campi della Medicina, è in una posizione favorevole per adottare gli algoritmi e le infrastrutture di AI. I fattori chiave sono la presenza di un flusso di lavoro digitale stabilito e di standard universali per l’archiviazione delle immagini: basti pensare a PACS (Picture Archiving and Communication System), RIS (Radiology Information System) ed allo standard DICOM (Digital Imaging and Communications in Medicine).

PACS (Picture Archiving and Communication System) è un sistema di archiviazione e comunicazione delle immagini radiologiche. Consiste in un insieme di hardware e software che permette di acquisire, archiviare, visualizzare e condividere le immagini diagnostiche generate dai dispositivi di imaging medico.
RIS (Radiology Information System) è un sistema di informazione radiologica che si occupa della gestione delle attività amministrative e cliniche del reparto di radiologia. RIS registra e gestisce informazioni come gli appuntamenti dei pazienti, la pianificazione degli esami radiologici, l’archiviazione dei referti e l’integrazione con il PACS.
DICOM (Digital Imaging and Communications in Medicine) è uno standard internazionale per l’acquisizione, l’archiviazione, la trasmissione e la visualizzazione delle immagini mediche.

L’esistenza dei suddetti sistemi standardizzati offre una grande opportunità, fornendo una solida base strutturale per l’integrazione dell’AI.

Intelligenza Artificiale e Diagnostica per Immagini nella diagnosi precoce

Gli algoritmi radiologici possono migliorare i processi preliminari di elaborazione delle immagini, compresa l’acquisizione e ricostruzione dell’immagine e la mitigazione del rumore; possono, inoltre, svolgere una serie di funzioni per assistere i radiologi. L’Intelligenza Artificiale, ad esempio, è utilizzata per la rilevazione, localizzazione e classificazione di condizioni come noduli polmonari ed anomalie mammarie. Strumenti di questo tipo posseggono capacità interpretative che possono, in alcuni casi, superare quelle degli operatori esperti, in particolare nella predizione di esiti clinici tramite biomarkers digitali.

AI in Radiologia: radiologi soddisfatti ma anche preoccupati

L’AI in radiologia ha attirato un interesse globale e gli algoritmi commerciali sono oggi sviluppati da aziende con sedi in oltre 20 paesi. La Food and Drug Administration (FDA) ha approvato più di 200 prodotti commerciali di intelligenza artificiale per la Radiologia. Nonostante alcuni ospedali e centri di cura utilizzino già con successo questi prodotti, è necessario superare alcuni ostacoli sostanziali prima che sia possibile vedere un uso clinico diffuso e di successo.

I radiologi che utilizzano l’AI nella loro pratica clinica sono generalmente soddisfatti della loro esperienza e riportano quanto questa fornisca valore a loro e ai loro pazienti. Tuttavia, emergono preoccupazioni causate dalla mancanza di conoscenza e di fiducia e dai possibili cambiamenti nell’identità e nell’autonomia professionale. Tra gli elementi che possono aiutare a superare le suddette preoccupazioni:

Presenza di colleghi esperti di AI
Istruzione e formazione
Supporto

Un ruolo da copilota nel futuro dell’AI in Radiologia

La maggior parte dei radiologi si aspetta cambiamenti sostanziali nella professione entro la prossima decade e crede che l’AI dovrebbe avere un ruolo come “copilota”, agendo come secondo lettore e migliorando la gestione del flusso di lavoro. Anche se la presenza dell’AI nel mercato statunitense è attualmente stimata solo al 2%, l’attenzione dei radiologi ed il potenziale della tecnologia indicano che ulteriori progressi nell’adozione nella pratica clinica sono probabili nell’immediato futuro.

Intelligenza Artificiale nella Diagnostica per Immagini anche per medici non radiologi?

L’uso dell’AI in campo radiologico non è limitato solo ai radiologi, ma sta emergendo una tendenza globale verso l’utilizzo di questi strumenti da parte di clinici non radiologi e altri operatori sanitari. Questo potrebbe migliorare l’accesso all’imaging medico e ridurre gli errori diagnostici in ambienti caratterizzati da scarse risorse e nei reparti di emergenza-urgenza. Ad ogni modo, questa tendenza emergente all’utilizzo di algoritmi di interpretazione delle immagini radiologiche al di fuori del loro normale dominio di riferimento può permettere una maggiore accessibilità e, in ultima analisi, migliorare la salute dei pazienti.

AI in ambito clinico: gli ostacoli da superare

Ci sono ancora alcuni ostacoli da superare prima di poter assistere ad un’adozione più ampia dell’AI in ambito clinico, tra cui la sfida della generalizzabilità. Una presenza ubiquitaria di tali strumenti in Radiologia richiede la necessità di garanzie di validazione che includano una maggiore collaborazione tra clinici e AI e garanzie di trasparenza e monitoraggio per migliorare la generalizzazione degli algoritmi in nuovi contesti.

Alla base della diffusione e del corretto utilizzo dell’AI c’è la comprensione e l’implementazione dei rispettivi punti di forza e debolezza dell’operatore umano e dello strumento tecnologico. Se la collaborazione tra clinici e AI può migliorare il processo di diagnosi e cura, la mancanza di trasparenza nei modelli AI può ostacolare la comprensione e la fiducia dei clinici. Il principale problema aperto è, forse, l’interpretabilità dei modelli, che vede i clinici riluttanti nell’utilizzare delle black-box di cui non possono analizzare i ragionamenti dietro gli output.

Modelli di AI: come renderli affidabili per la pratica clinica

Il succitato articolo del NEJM cita alcuni soluzioni plausibili alle problematiche fin qui individuate, ad esempio:

l’utilizzo di checklist specifiche
la cura di dataset pubblici di immagini mediche come benchmark per l’efficacia dei prodotti di AI
il federated learning che apre la possibilità di eseguire l’addestramento dei modelli in maniera decentrata
la condivisione di dataset ad ampia eterogeneità per migliorare la generalizzabilità dei risultati.

Intelligenza Artificiale e Diagnostica per immagini: verso modelli generalisti

L’attuale generazione di modelli per la Radiologia si concentra principalmente su un insieme limitato di compiti di interpretazione, come la rilevazione di lesioni specifiche o la classificazione di determinate patologie. C’è però una nuova generazione di modelli AI medici generalisti che si sta sviluppando e potrebbe cambiare il panorama radiologico. Questi modelli generalisti sono progettati per affrontare il compito di interpretazione delle immagini radiologiche nella sua totalità, coprendo una vasta gamma di patologie e condizioni mediche. La loro potenziale capacità di assistere l’intero processo diagnostico e terapeutico potrebbe portare a un’evoluzione significativa nella pratica radiologica.

I modelli di AI generalisti in Cardiologia ed Oncologia

Tra gli ambiti in cui questi modelli AI generalisti potrebbero avere un impatto significativo, vi sono l’identificazione precoce degli ictus e la rilevazione dei tumori. Grazie alla loro capacità di analizzare grandi quantità di dati radiologici, questi modelli possono individuare segni precoci di ictus e fornire una diagnosi tempestiva, consentendo l’avvio di interventi terapeutici rapidi ed efficaci.

L’AI “scopre” nuove patologie senza addestramento

Inoltre, gli sviluppi recenti nell’ambito dell’AI hanno portato a nuove possibilità come lo “zero-shot learning“. Questo approccio permette ai modelli di apprendere nuove patologie o condizioni senza un addestramento specifico precedente. Questa flessibilità e capacità di adattamento rappresenta un progresso significativo nell’implementazione dell’AI in radiologia.

Nuove frontiere: modelli multimodali e auto-supervisionati

Un’altra frontiera promettente è rappresentata dai modelli multimodali, che integrano l’analisi delle immagini radiologiche con altre modalità di dati clinici, come testi e referti medici. Allo stesso modo, i modelli auto-supervisionati stanno emergendo come una metodologia promettente, in cui i modelli imparano a interpretare le immagini radiologiche senza la necessità di etichette o annotazioni esplicite, utilizzando informazioni intrinsechepresenti nei dati stessi.