Il tumore al seno tra le donne è la principale causa di morte correlata al tumore. E’ anche difficile da diagnosticare, quasi un tumore su dieci è stato erroneamente diagnosticato come non canceroso, il che significa che la paziente può perdere tempo cruciale per un trattamento. D’altra parte, una donna più mammografie ha, più è probabile che veda un falso risultato positivo. E’ emerso che dopo dieci anni di mammografie annuali, circa due pazienti su tre senza tumore, sono risultate positive e sottoposte a un intervento invasivo, probabilmente una biopsia.
L’elastografia ecografica del seno è un’emergente tecnica d’imaging, fornisce informazioni su una potenziale lesione mammaria valutandone la rigidità in modo non invasivo. Utilizzando informazioni più precise sulle caratteristiche di una lesione mammaria cancerosa o non cancerosa, questa metodologia ha dimostrato una maggiore accuratezza rispetto alle modalità tradizionali di diagnostica per immagini. Tuttavia al centro di questa procedura, c’è un complesso problema computazionale che può essere lungo e complicato da risolvere.
E se invece ci affidassimo alla guida di un algoritmo?
Assad Oberai, Professore nel Dipartimento di Ingegneria Aerospaziale e Meccanica Scuola di Ingegneria di Viterbi, presso l’University of Southern California negli Stati Uniti, ha posto proprio questa domanda nel documento di ricerca intitolato: “Evadere la soluzione di problemi inversi nella meccanica attraverso l’apprendimento profondo: applicazione all’immagine elastica”, pubblicato in Computer Methods in Applied Mechanics and Engineering.
Patel Oberai insieme con un team di ricercatori, tra cui Dhruv Patel, ha specificamente considerato e dato una risposta a quanto segue:
«Si può addestrare una macchina per interpretare le immagini del mondo reale utilizzando dati sintetici e snellire i passaggi per la diagnosi? Molto probabilmente sì».
Elastografia a ultrasuoni
Nel caso dell’elastografia ad ultrasuoni al seno, una volta presa un’immagine dell’area interessata, l’immagine è analizzata per determinare gli spostamenti all’interno del tessuto. Utilizzando questi dati e le leggi fisiche della meccanica, è determinata la distribuzione spaziale delle proprietà meccaniche, come la sua rigidità. In seguito si devono identificare e quantificare le caratteristiche appropriate della distribuzione, portando infine a una classificazione del tumore come maligno o benigno. Il problema è che le ultime due fasi sono computazionalmente complesse e intrinsecamente impegnative.
Patel Oberai nello studio ha cercato di determinare se potevano saltare completamente le fasi più complicate in questo flusso di lavoro. Il tessuto mammario canceroso ha due proprietà chiave:
– eterogeneità, significa che alcune aree sono morbide e alcune sono sode;
– elasticità non lineare, significa che le fibre offrono una grande resistenza quando sono tirate a seguito del danno iniziale associato a tumori benigni.
Patel Oberai sapendo questo ha creato modelli basati sulla fisica che mostravano diversi livelli di queste proprietà chiavi. Ha quindi utilizzato migliaia di dati d’input derivati da questi modelli per addestrare l’algoritmo di apprendimento della macchina.
Dati sintetici rispetto ai dati del mondo reale
Perché usare dati di derivazione sintetica per addestrare l’algoritmo? Non sarebbe meglio utilizzare dati reali? Patel Oberai ha detto:
«Se avessi abbastanza dati disponibili, non lo faresti, nel caso dell’imaging medico, sei fortunato quando hai 1.000 immagini, in questa situazione dove i dati sono scarsi, questo tipo di tecniche diventano importanti».
Patel Oberai e il suo team hanno utilizzato circa 12.000 immagini sintetiche per addestrare il loro algoritmo di apprendimento automatico. Il processo utilizzato è simile per molti versi a come funziona il software d’identificazione fotografica, attraverso input ripetuti impara come riconoscere una particolare persona in un’immagine, o come il nostro cervello impara a classificare un gatto o un cane.
L’algoritmo attraverso un numero sufficiente di esempi, è in grado di raccogliere diverse caratteristiche inerenti a un tumore benigno rispetto a un tumore maligno e di fare la corretta determinazione.
Patel Oberai e il suo team hanno ottenuto quasi il 100% di precisione di classificazione su altre immagini sintetiche. L’algoritmo una volta che è stato addestrato, per determinare quanto accurato potrebbe essere nel fornire una diagnosi, l’hanno testato su immagini del mondo reale valutando questi risultati rispetto alle confermate diagnosi con biopsia associate a queste immagini.
Patel Oberai ha detto:
«Abbiamo ottenuto un tasso di accuratezza dell’80%, lavoriamo per perfezionare l’algoritmo, come input utilizziamo più immagini del mondo reale».
Cambiamento di come sono fatte le diagnosi
Ci sono due punti prevalenti che fanno dell’apprendimento automatico uno strumento importante per far progredire il settore per la diagnosi e l’individuazione dei tumori. Gli algoritmi di apprendimento automatico in primo luogo possono rilevare modelli che potrebbero essere opachi per l’uomo. L’algoritmo attraverso la manipolazione di molti di questi modelli può produrre una diagnosi accurata; in secondo luogo, l’apprendimento automatico offre la possibilità di ridurre gli errori da operatore a operatore.
Ciò sostituirebbe il ruolo del radiologo nel determinare la diagnosi? Assolutamente no. Patel Oberai non prevede un algoritmo che agisce come unico arbitro per la diagnosi del cancro, ma piuttosto, uno strumento che aiuta a guidare i radiologi verso conclusioni più accurate.
Patel Oberai ha detto:
«Il consenso generale, anche da parte di professionisti dell’imaging, è che questi tipi di algoritmi hanno un ruolo significativo da svolgere».
Adattamento dell’algoritmo per altri tumori
Il cancro poiché nel tessuto che colpisce causa diversi tipi di cambiamenti, la sua presenza in un tessuto può portare a un cambiamento nelle sue proprietà fisiche, ad esempio una modifica di densità o porosità, cambiamenti che possono essere percepiti come un segnale nelle immagini mediche.
Il ruolo dell’algoritmo di apprendimento automatico è quello di selezionare questo segnale e usarlo per determinare se un determinato tessuto che è rappresentato è canceroso.
