Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images

La tiroide umana è una piccola ghiandola a forma di farfalla situata alla base del collo, che agisce come il termostato del corpo regolando il metabolismo. Quando questa ghiandola funziona male, può gonfiarsi, sviluppare noduli o infiammarsi, portando a condizioni che spaziano da un lieve inconveniente a gravi minacce per la salute. Per capire cosa stia accadendo all'interno, i medici utilizzano spesso un tipo speciale di scansione di medicina nucleare chiamato scintigrafia. In questa procedura, un paziente riceve una minuscola quantità di una sostanza radioattiva sicura che la tiroide assorbe naturalmente. Una telecamera cattura poi le immagini di questo bagliore, rivelando come la ghiandola stia funzionando e dove potrebbe comportarsi in modo anomalo. Tuttavia, leggere queste immagini è un compito impegnativo. Richiede uno specialista esperto che tracci con cura il contorno della tiroide sullo schermo e poi interpreti sottili modelli di luce e ombra per diagnosticare la specifica malattia. Questo processo è lento, dipende fortemente dall'esperienza del singolo medico e può variare da un esperto all'altro. Poiché il numero di pazienti che necessitano di queste scansioni cresce, la comunità medica affronta l'urgente necessità di strumenti che possano assistere in questo delicato lavoro, garantendo che le diagnosi siano sia veloci che coerenti.

In uno studio recente, un team di ricercatori provenienti da Canada, Iran e Svizzera ha affrontato questa sfida costruendo un sistema automatizzato che hanno chiamato Thyroidiomics. Il loro obiettivo era creare una pipeline digitale che potesse non solo trovare la ghiandola tiroidea in queste immagini luminose, ma anche classificare la specifica malattia che la colpisce, il tutto senza l'intervento umano. Hanno raccolto una vasta collezione di 2.643 scansioni tiroidee da nove diversi centri medici, coprendo una grande varietà di apparecchiature e popolazioni di pazienti. Il team si è concentrato su tre condizioni comuni: il gozzo diffuso, in cui la ghiandola è uniformemente ingrossata; il gozzo multinodulare, caratterizzato da molteplici noduli; e la tiroidite, un'infiammazione del tessuto. Per insegnare al computer, hanno prima dovuto fargli vedere ciò che vede un essere umano. Un medico esperto in medicina nucleare ha tracciato manualmente i confini esatti della tiroide su ogni singola immagine, creando una mappa perfetta che serviva come "verità di base" (ground truth) da cui la macchina potesse imparare.

I ricercatori hanno quindi sviluppato un sistema di intelligenza artificiale a due fasi. Per prima cosa, hanno addestrato un modello di deep learning, un tipo di programma informatico ispirato al cervello umano, per disegnare automaticamente il contorno della ghiandola tiroide su nuove immagini. Questo modello, noto come Residual UNet, ha imparato a distinguere la tiroide dai tessuti circostanti studiando migliaia di esempi. Una volta che il computer ha delineato con successo la ghiandola, iniziava la seconda fase. Il sistema estraeva centinaia di minuscoli dettagli matematici dalla texture e dalla luminosità dell'area delineata — caratteristiche troppo sottili per l'occhio umano ma ricche di informazioni diagnostiche. Questi dettagli venivano poi inseriti in un classificatore di machine learning, che agiva come un decisore, smistando le immagini in una delle tre categorie di malattie. Per garantire che il loro sistema fosse davvero robusto e non si limitasse a memorizzare le immagini specifiche su cui era stato addestrato, il team ha utilizzato un metodo di test rigoroso. Hanno addestrato il sistema su dati provenienti da otto centri medici e lo hanno testato sul nono, ripetendo questo processo finché ogni centro non avesse servito come caso di test. Questo approccio ha garantito che il sistema potesse gestire immagini provenienti da macchine e ospedali diversi.

I risultati hanno mostrato che la pipeline automatizzata ha operato con una capacità sorprendente. La capacità del computer di disegnare il contorno della tiroide è stata altamente accurata, eguagliando i disegni manuali del medico esperto nella maggior parte dei casi. Per quanto riguarda la diagnosi della malattia, il sistema automatizzato ha raggiunto un'accuratezza di circa il 74 percento, una cifra molto vicina al 76 percento di accuratezza ottenuto quando il sistema utilizzava i contorni manuali del medico come punto di partenza. Il sistema è stato particolarmente abile nell'identificare la tiroidite, classificandola correttamente con una coerenza quasi perfetta in tutti i centri di test. Sebbene i contorni manuali mantenessero un leggero vantaggio in termini di precisione, la differenza era così piccola che le prestazioni del sistema automatizzato sono state considerate statisticamente equivalenti per la maggior parte delle misurazioni. Ciò suggerisce che il computer può sostituire efficacementamente la laboriosa fase di tracciamento manuale senza sacrificare la qualità diagnostica.

Le implicazioni di questo lavoro vanno oltre la semplice velocità. Automatizzando il processo di segmentazione, il sistema rimuove la variabilità derivante dal fatto che medici diversi possono disegnare la stessa ghiandola in modi leggermente differenti. Questa coerenza è vitale per un'assistenza sanitaria affidabile, specialmente per i medici meno esperti che potrebbero beneficiare di un secondo parere oggettivo da confrontare con le proprie valutazioni. I ricercatori hanno osservato che, sebbene il loro sistema sia un passo avanti significativo, è stato addestrato su dati di un singolo paese e potrebbe beneficiare di un dataset globale più diversificato per garantire che funzioni ugualmente bene ovunque. Prevedono inoltre di esplorare modi per classificare le malattie senza la necessità di delineare la ghiandola in futuro. Per ora, tuttavia, questo studio dimostra che l'intelligenza artificiale può navigare con successo nelle complessità della scintigrafia tiroidea, offrendo un potente nuovo strumento che lavora fianco a fianco con l'esperienza umana per migliorare l'assistenza ai pazienti.