Development of an automated, reliable, and clinically meaningful artificial intelligence (AI) tool for diagnosing cardiac disease from conventional cardiovascular magnetic resonance (CMR) images

Le malattie cardiache rimangono la singola più grande minaccia per la vita umana in tutto il mondo, causando milioni di morti ogni anno. Per capire cosa accade all'interno di un cuore che batte, i medici si affidano a una potente tecnica di imaging chiamata risonanza magnetica cardiovascolare, o CMR. A differenza di una radiografia standard che mostra un'ombra piatta, questa tecnologia crea immagini dettagliate e in movimento del muscolo cardiaco, della sua azione di pompaggio e della salute del suo tessuto. Può rivelare se il muscolo cardiaco è ispessito, dilatato o danneggiato da una mancanza di afflusso di sangue. Tuttavia, leggere queste immagini complesse richiede un alto livello di formazione specializzata e anni di esperienza. Una singola scansione contiene centinaia di fotogrammi in movimento e diversi tipi di dati tissutali, il che rappresenta un carico cognitivo pesante anche per i medici più esperti. In molte parti del mondo, semplicemente non ci sono abbastanza esperti disponibili per interpretare ogni scansione in modo accurato e rapido. Questo divario tra la necessità di diagnosi e la disponibilità di esperti ha spinto i ricercatori a chiedersi se un computer potesse imparare a leggere queste immagini con la stessa cura e precisione di uno specialista umano.

Un team di ricercatori dell'Università degli Ospedali di Münster, in Germania, ha compiuto un passo significativo verso la risposta a quella domanda. Hanno sviluppato un nuovo sistema di intelligenza artificiale progettato per esaminare le immagini CMR e determinare automaticamente se un paziente soffre di un tipo specifico di malattia cardiaca. Invece di costruire un programma per computer da zero, sono partiti dai "modelli di base" (foundation models). Questi sono massicci sistemi informatici pre-addestrati che hanno già imparato a riconoscere schemi in milioni di immagini e testi. Pensate a questi modelli come a uno studente che ha già letto ogni libro in una biblioteca e visto ogni immagine in una galleria; il compito dei ricercatori era semplicemente quello di insegnare a questo studente come applicare quella vasta conoscenza specificamente alle scansioni cardiache. Il team si è concentrato su cinque categorie distinte: un cuore sano e quattro forme comuni di malattia del muscolo cardiaco note come cardiomiopatia ipertrofica, cardiomiopatia dilatativa, cardiomiopatia ischemica e amiloidosi cardiaca.

Il primo grande ostacolo nel creare uno strumento simile non è insegnare al computer cosa vedere, ma insegnargli cosa cercare. In un tipico ospedale, le cartelle cliniche dei pazienti sono scritte sotto forma di lunghi paragrafi narrativi dai medici, che descrivono ciò che vedono nelle immagini. Per addestrare un'IA, queste storie devono essere convertite in etichette chiare, un processo che di solito richiede che un essere umano legga migliaia di referti e digiti la diagnosi. Questo è un processo lento, costoso e soggetto all'errore umano. I ricercatori hanno risolto il problema utilizzando un altro tipo di intelligenza artificiale: i grandi modelli linguistici. Questi sono gli stessi sistemi che possono scrivere saggi o rispondere a domande. Il team ha impostato un sistema locale e sicuro in cui questi modelli linguistici leggevano i referti medici in tedesco, li traducevano in inglese e poi estraevano la diagnosi specifica per ogni paziente. Per garantire l'accuratezza, hanno utilizzato tre diversi modelli linguistici per leggere ogni referto. Se almeno due dei tre concordavano sulla diagnosi, quell'etichetta veniva accettata. Questo processo automatizzato ha permesso loro di curare un enorme dataset di quasi 1.000 casi di pazienti senza dover etichettare manualmente ogni singolo file.

Una volta preparati i dati, i ricercatori si sono dedicati all'analisi delle immagini. Hanno fornito all'IA tre diversi tipi di immagini cardiache: una vista asse corto che appare come una pila di fette attraverso il cuore, una vista a quattro camere che mostra il cuore lateralmente, e una scansione speciale chiamata potenziamento tardivo del gadolinio che evidenzia il tessuto cicatriziale o danneggiato. Hanno perfezionato l'addestramento di tre diversi modelli di base di visione su questi dati. La prima fase di addestramento ha insegnato ai modelli a riconoscere le caratteristiche generali del cuore, mentre la seconda fase ha affinato la loro capacità di distinguere tra le cinque specifiche categorie di malattie. I ricercatori hanno poi testato il sistema su un gruppo completamente separato di oltre 1.000 pazienti le cui diagnosi erano state confermate da cardiologi esperti. Questo test indipendente ha garantito che l'IA non stesse solo memorizzando i dati di addestramento, ma stesse effettivamente imparando a riconoscere le malattie.

I risultati sono stati sorprendenti. Quando l'IA guardava le immagini da sola, raggiungeva un alto livello di accuratezza nell'identificare le diverse condizioni cardiache. Per la malattia nota come amiloidosi cardiaca, il sistema l'ha identificata correttamente in quasi tutti i casi, e per la condizione di ispessimento del muscolo cardiaco, ha ottenuto un successo simile. Tuttavia, i ricercatori hanno scoperto che il sistema funzionava ancora meglio quando combinava gli approfondimenti di tutti e tre i tipi di immagini e di tutti e tre i diversi modelli di IA. Lasciando che i modelli votassero sulla diagnosi finale, hanno creato un "consenso" che era più affidabile di qualsiasi singolo modello da solo. In questo approccio combinato, il sistema ha raggiunto la sua massima accuratezza per la condizione di ispessimento cardiaco e l'amiloidosi, distinguendo correttamente queste ultime da un cuore sano con un alto grado di fiducia. Ha performato bene anche sulle altre due tipologie di malattie, sebbene abbia trovato leggermente più difficile distinguere tra un cuore dilatato dalla malattia e un cuore danneggiato da una mancanza di afflusso di sangue, poiché queste condizioni possono talvolta apparire molto simili in una scansione.

Oltre a ottenere la risposta corretta, i ricercatori volevano sapere se l'IA fosse equa e se stesse guardando le parti giuste del cuore. Hanno controllato le prestazioni del sistema attraverso diverse età e tra uomini e donne. I risultati hanno mostrato che l'IA funzionava ugualmente bene per entrambi i sessi, sebbene vi fosse una leggera variazione nel modo in cui performava attraverso le diverse fasce d'età. Ciò è probabilmente dovuto al fatto che certe malattie cardiache sono molto più comuni negli adulti anziani, rendendo i dati per i pazienti più giovani con quelle specifiche condizioni più difficili da apprendere. Per capire cosa l'IA stesse effettivamente vedendo, i ricercatori hanno utilizzato uno strumento di visualizzazione che evidenziava le aree specifiche dell'immagine che influenzavano la decisione. Il computer ha concentrato costantemente la sua attenzione sul muscolo cardiaco, in particolare sul ventricolo sinistro, ignorando le strutture circostanti. Ciò ha confermato che il sistema prendeva le sue decisioni basandosi sull'anatomia reale del cuore, piuttosto che indovinare in base a dettagli di sfondo non correlati.

Lo studio conclude che questo approccio offre una via percorribile per la pratica clinica. Combinando la lettura automatizzata dei referti con l'analisi avanzata delle immagini, il team ha creato uno strumento che potrebbe potenzialmente supportare i medici che non dispongono di anni di formazione specializzata nella lettura delle scansioni cardiache. Il sistema non sostituisce il medico; agisce invece come un secondo paio di occhi che può smistare rapidamente dati complessi per suggerire una diagnosi. I ricercatori riconoscono che il loro lavoro è una prova di concetto basata sui dati di un singolo ospedale e che studi futuri dovranno testare il sistema su una varietà più ampia di pazienti e con più tipi di malattie cardiache. Hanno inoltre notato che l'attuale sistema si basa solo sulle immagini e non incorpora ancora altri dati clinici come esami del sangue o anamnesi del paziente. Ciononostante, lo studio dimostra che con la giusta combinazione di preparazione automatizzata dei dati e intelligenza artificiale moderna, è possibile costruire un sistema che sia accurato, interpretabile e capace di supportare la corretta interpretazione delle scansioni cardiache in un contesto clinico.