Artificial Intelligence Algorithms for the Detection of Pathologies Related to Lung Cancer through Image Analysis using Convolutional Neural Networks and Data Augmentation: a systematic mapping of the literature

Il tumore al polmone rimane una delle minacce più formidabili per la salute pubblica globale, in gran parte perché individuarlo precocemente rappresenta spesso la differenza tra la vita e la morte. Il metodo standard per individuare la malattia prevede l'acquisizione di immagini tridimensionali dettagliate del torace tramite raggi X, un processo noto come tomografia computerizzata. Queste immagini rivelano le intricate strutture all'interno dei polmoni, permettendo ai medici di cercare piccole crescite anormali chiamate noduli. Tuttavia, leggere queste scansioni è un compito impegnativo che richiede esperti altamente addestrati per setacciare migliaia di immagini, un collo di bottiglia che può ritardare la diagnosi e limitare l'accesso alle cure. Negli ultimi anni, un nuovo tipo di strumento è emerso per assistere questi specialisti: l'intelligenza artificiale. Nello specifico, i ricercatori hanno sviluppato programmi per computer ispirati al cervello umano, noti come reti neurali, che possono imparare a riconoscere modelli nelle immagini proprio come farebbe una persona. Quando queste reti sono progettate specificamente per le immagini, vengono chiamate reti neurali convoluzionali. Esse funzionano scansionando un'immagine e mettendo in evidenza le caratteristiche più importanti, come la forma o la consistenza di un nodulo, per aiutare a determinare se sia pericoloso.

Una recente revisione della letteratura scientifica, condotta da Pablo Ramirez Amador presso la Universidad Abierta Interamericana di Buenos Aires, esamina da vicino come questi sistemi informatici vengono attualmente utilizzati per rilevare il tumore al polmone. Lo studio ha esaminato 96 articoli di ricerca pubblicati dal 2015 a oggi, ricercando nei principali database scientifici per trovare il lavoro più pertinente nel campo. L'obiettivo non era testare una singola nuova macchina, ma mappare l'intero panorama della ricerca esistente, comprendendo quali metodi funzionano meglio e dove rimangono gli ostacoli maggiori. I ricercatori si sono concentrati su due tecniche specifiche che si sono dimostrate promettenti: il transfer learning e la data augmentation. Il transfer learning permette a un programma per computer che ha già imparato a riconoscere oggetti generici, come gatti o auto, di essere adattato al compito specifico di individuare i noduli polmonari, risparmiando tempo e risorse. La data augmentation è un metodo per creare ulteriore materiale di addestramento prendendo le immagini esistenti e alterandole leggermente — ruotandole, cambiandone la dimensione o aggiungendo un po' di rumore visivo — affinché il computer veda molte più variazioni della stessa cosa e impari a essere più robusto.

La revisione ha rilevato che questi strumenti di intelligenza artificiale sono effettivamente in grado di offrire un'alternativa altamente efficace per la diagnosi precoce del tumore al polmone, spesso eguagliando la sensibilità e la specificità degli esperti umani. Gli studi analizzati hanno dimostrato che l'uso di reti pre-addestrate, come quelle note come VGG16 o ResNet, combinate con la data augmentation, porta a un'elevata accuratezza nell'identificare il tumore al polmone non a piccole cellule, che è la forma più comune della malattia. I modelli informatici sono in grado di elaborare i dati complessi provenienti dalle TC e segnalare potenziali problemi con un livello di precisione che suggerisce come potrebbero diventare una parte vitale del processo diagnostico. Tuttavia, il documento chiarisce anche che questa tecnologia non è ancora un prodotto finito pronto per un uso immediato e diffuso in ogni ospedale. I ricercatori hanno identificato sfide significative che devono essere risolte prima che questi strumenti possano essere affidati agli ambienti clinici reali. Un problema principale è la mancanza di dati standardizzati; diversi ospedali utilizzano macchine e protocolli differenti, il che può confondere i modelli informatici. Ci sono anche serie preoccupazioni riguardo alla privacy delle informazioni dei pazienti e alla necessità di comprendere esattamente come il computer arrivi alle sue conclusioni, una qualità nota come spiegabilità, affinché i medici possano fidarsi dei consigli ricevuti.

In definitiva, il lavoro conclude che, sebbene l'intelligenza artificiale possieda un immenso potenziale per migliorare l'assistenza ai pazienti affetti da tumore al polmone, non è una soluzione magica che sostituirà i medici umani. La strada da seguire richiede ulteriori ricerche per perfezionare questi algoritmi e nuove regolamentazioni per garantire che siano sicuri, affidabili ed etici. La revisione suggerisce che il futuro della rilevazione del tumore al polmone risiede in una partnership in cui questi potenti sistemi informatici agiscono come un secondo paio di occhi, aiutando a individuare le malattie in modo più precoce e accurato, ma solo se la comunità scientifica affronta le attuali limitazioni riguardanti la qualità dei dati e la trasparenza dei modelli. Fino ad allora, la tecnologia rimane una potente promessa piuttosto che uno standard di cura pienamente realizzato, in attesa che vengano compiuti i passi necessari per portarla in sicurezza nella pratica clinica.