Deep learning-based computed tomography (CT) derived body composition classifier for colorectal cancer patients
Questo studio dimostra che modelli di deep learning ottimizzati, in particolare GoogLeNet e AlexNet, possono automatizzare in modo accurato e rapido l'analisi della composizione corporea derivata da TC per i pazienti con cancro del colon-retto, offrendo una soluzione fattibile per ridurre il tempo e l'esperienza richiesti per la segmentazione manuale nei flussi di lavoro clinici.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nella lotta contro il cancro, i medici si affidano da tempo a un numero semplice per valutare lo stato di salute generale di un paziente: l'Indice di Massa Corporea, o BMI. Questo calcolo, che divide il peso di una persona per la sua altezza, offre un'istantanea rapida per capire se qualcuno è sottopeso, di peso normale o in sovrappeso. Tuttavia, per i pazienti con cancro del colon-retto, questo numero racconta solo una parte della storia. Una persona può avere un BMI elevato e apparire in buona forma, pur soffrendo segretamente di una condizione pericolosa chiamata obesità sarcopenica. In questo stato, il corpo ha perso quantità significative di tessuto muscolare vitale, che viene sostituito dal grasso. Questa perdita muscolare nascosta è un forte predittore di scarse probabilità di sopravvivenza e di una minore qualità della vita, eppure le tabelle standard del peso non sono in grado di rilevarla. Per comprendere davvero la forza fisiologica di un paziente, i medici devono guardare all'interno del corpo per misurare l'effettiva quantità di muscolo e grasso.
Per decenni, il modo più accurato per vedere questo panorama interno è stato attraverso la Tomografia Computerizzata, o scansioni TC. Queste immagini mediche forniscono una sezione trasversale dettagliata del corpo, permettendo agli specialisti di misurare l'area del muscolo scheletrico e la densità di quel tessuto muscolare. Possono anche quantificare il grasso accumulato appena sotto la pelle e il grasso che circonda gli organi interni. Queste misurazioni sono critiche perché rivelano il vero stato nutrizionale del corpo, aiutando i medici a prevedere quanto bene un paziente possa sopravvivere a un intervento chirurgico o tollerare la chemioterapia. Eppure, nonostante il loro potenziale salvavita, queste scansioni vengono raramente utilizzate a questo scopo nell'assistenza ospedaliera di routine. La ragione non è la mancanza di tecnologia, ma la mancanza di tempo. Misurare manualmente queste aree su uno schermo del computer è un processo incredibilmente lento e faticoso che richiede a un esperto altamente qualificato di tracciare il contorno di ogni deposito di muscolo e grasso. Una singola scansione può richiedere ore di analisi a uno specialista, rendendo impossibile l'uso di questo metodo per ogni paziente che varca la soglia.
Un team di ricercatori dell'Università di Glasgow si è posto l'obiettivo di risolvere questo collo di bottiglia insegnando ai computer come effettuare le misurazioni. Il loro obiettivo era costruire un sistema in grado di analizzare una scansione TC e calcolare automaticamente l'esatta quantità di muscolo e grasso, proprio come farebbe un esperto umano, ma in una frazione del tempo. Hanno testato diversi tipi di intelligenza artificiale, noti come modelli di deep learning, che sono progettati per riconoscere schemi nelle immagini. I ricercatori hanno fornito a questi programmi informatici migliaia di scansioni TC di pazienti con cancro del colon-retto, insieme alle misurazioni corrette già calcolate da esperti umani. Il computer ha poi imparato a riconoscere le firme visive di muscolo e grasso, diventando infine capace di prevedere questi valori autonomamente.
Lo studio ha dimostato che il computer può effettivamente apprendere questo compito complesso con una precisione straordinaria. Tra i diversi modelli testati, un'architettura, nota come GoogLeNet, si è rivelata la più abile nel stimare l'area del muscolo schelettrico. Ha commesso un errore inferiore al cinque per cento rispetto allo standard umano di riferimento. Un altro modello, chiamato AlexNet, è stato il migliore nel misurare la densità del tessuto muscolare, con un tasso di errore di poco superiore all'otto per cento. Questi numeri sono significativi perché dimostrano che il computer non sta solo tirando a indovinare; sta fornendo risultati che sono statisticamente molto vicini a quelli che produrrebbe uno specialista umano. I ricercatori hanno anche scoperto che il computer ha incontrato maggiori difficoltà nella misurazione delle aree di grasso, in particolare del grasso sotto la pelle, che è più difficile da distinguere dallo sfondo in una scansione. Tuttavia, nonostante queste lievi sfide, il sistema ha classificato con successo i pazienti in categorie di rischio circa l'ottanta per cento delle volte, identificando correttamente coloro che presentavano livelli pericolosi di perdita muscolare.
Per garantire che questa tecnologia potesse essere effettivamente utilizzata in un ospedale affollato, il team non si è fermato alla costruzione del modello. Hanno inserito i programmi informatici con le migliori prestazioni all'interno di una semplice applicazione web. Questo strumento consente a un medico di caricare un'unica immagine dalla scansione TC di un paziente, insieme a dettagli di base come altezza e peso. In pochi secondi, il sistema calcola l'area e la densità muscolare, converte questi dati in un punteggio standardizzato e comunica al medico se il paziente è ad alto rischio. L'intero processo richiede meno di un secondo per scansione, una velocità che rende fattibile l'uso per ogni paziente. I ricercatori hanno sottolineato di aver scelto questi specifici modelli informatici perché sono abbastanza leggeri ed efficienti da poter girare su apparecchiature ospedaliere standard, evitando la necessità di supercomputer costosi e specializzati che sono spesso richiesti dalle più recenti e complesse intelligenze artificiali.
Sebbene i risultati siano promettenti, i ricercatori avvertono con cautela che questo è uno studio pilota, ovvero un primo passo piuttosto che una soluzione definitiva. Il sistema è stato testato su un gruppo relativamente piccolo di pazienti di un singolo ospedale di Glasgow. Ciò limita la capacità dello strumento di funzionare su persone provenienti da contesti diversi o con diverse tipologie di corporatura, poiché il computer ha appreso da un set specifico di immagini. Lo studio ha anche rilevato che lo strumento era leggermente meno accurato per certi gruppi, come donne e uomini con un peso corporeo inferiore, suggerendo che le versioni future dovranno essere perfezionate per gestire queste variazioni in modo equo. Nonostante queste limitazioni, il lavoro dimostra che il sogno di un'analisi automatizzata della composizione corporea è a portata di mano. Trasformando un compito laborioso di ore in una questione di secondi, questa tecnologia ha il potenziale per portare uno strumento diagnostico vitale nella pratica clinica quotidiana, garantendo che la perdita muscolare nascosta di nessun paziente passi inosservata.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.