Brain tumor classification: A comparative analysis of deep learning techniques and impact of augmentation approaches on T1-CE MRI scans

Il cervello umano è il centro di comando del corpo, una complessa rete di cellule che coordina il pensiero, il movimento e la sensazione. Quando cellule anormali iniziano a moltiplicarsi in modo incontrollato all'interno di questo delicato organo, formano tumori che possono interrompere funzioni vitali e, se lasciati incautamente, diventare mortali. I medici si affidano all'imaging medico, specificamente alla risonanza magnetica, per guardare dentro il cranio e individuare queste escrescenze. Queste scansioni producono immagini dettagliate del tessuto cerebrale, ma l'interpretazione richiede un occhio esperto per distinguere tra diversi tipi di tumori, come meningiomi, gliomi e tumori ipofisari, ognuno dei quali richiede una diversa strategia di trattamento. Negli ultimi anni, gli scienziati si sono rivolti all'intelligenza artificiale per assistere in questo compito critico. Addestrando programmi informatici a riconoscere i modelli in queste immagini, i ricercatori sperano di creare strumenti che possano diagnosticare i tumori cerebrali in modo più rapido e accurato rispetto ai soli metodi tradizionali.

Un team di ricercatori presso l'Amrita Vishwa Vidyapeetham in India si è posto l'obiettivo di testare quanto bene questi sistemi di intelligenza artificiale si comportino di fronte alla sfida dei dati limitati. Nel mondo dell'imaging medico, le scansioni di alta qualità sono spesso scarse, e addestrare un computer a riconoscere una malattia richiede solitamente migliaia di esempi. Per risolvere questo problema, il team ha esplorato una tecnica chiamata aumento dei dati (data augmentation). Questo processo consiste nel prendere le immagini esistenti e alterarle matematicamente — ruotandole, capovolgendole o regolando la loro luminosità — per creare nuove versioni sintetiche. I ricercatori volevano sapere quale metodo di creazione di queste immagini extra funzionasse meglio. Hanno testato i classici cambiamenti geometrici, tecniche di miscelazione avanzate che fondono due immagini insieme e un metodo sofisticato che utilizza le reti generative avversarie (generative adversarial networks), un tipo di intelligenza artificiale che crea immagini completamente nuove da zero.

Lo studio si è concentrato su un set specifico di 3.064 scansioni cerebrali, tutte eseguite con un agente di contrasto per far risaltare chiaramente i tumori. Il team ha inserito queste immagini in sette diversi modelli di intelligenza artificiale pre-addestrati, che sono come cervelli digitali che hanno già imparato a riconoscere i modelli da vastissime quantità di altri dati. Hanno testato questi modelli per vedere quale potesse identificare correttamente i tre tipi principali di tumori cerebrali. I risultati hanno mostrato che un modello particolare, noto come VGG-16, ha superato gli altri. Questo sistema ha raggiunto un tasso di accuratezza del 92,45%, il che significa che ha identificato correttamente il tipo di tumore in più di nove casi su dieci. Ha inoltre dimostrato un'elevata affidabilità nel distinguere tra tumori e tessuto sano, con una specificità del 96,22%. I ricercatori hanno scoperto che la scelta dello strumento matematico utilizzato per insegnare al modello era significativa; un metodo chiamato Adam si è rivelato il più efficace per guidare il processo di apprendimento, aiutando il sistema a convergere sulla risposta corretta più velocemente e in modo più affidabile rispetto ad altre opzioni.

Per garantire che questi risultati non fossero solo un colpo di fortuna, il team ha sottoposto il loro miglior modello a test rigorosi. Hanno utilizzato un metodo chiamato validazione incrociata (cross-validation), che prevede la suddivisione dei dati in cinque gruppi diversi e il test del modello su ciascuno di essi per garantire che funzioni in modo costante. Hanno anche confrontato i diversi modi di creare immagini extra. Lo studio ha scoperto che, sebbene la creazione di nuove immagini da zero utilizzando le reti generative avversarie fosse un approccio interessante, i risultati più coerenti derivavano da metodi più semplici e tradizionali come la rotazione e il capovolgimento delle scansioni originali. Quando i ricercatori mescolavano due immagini insieme o utilizzavano l'approccio generativo avanzato, le prestazioni non miglioravano significativamente rispetto alle tecniche standard. Di fatto, l'approccio tradizionale ha prodotto i risultati più stabili in tutti i test, con un'accuratezza media superiore al 91%.

Comprendere come un'intelligenza artificiale prenda una decisione è importante tanto quanto la decisione stessa, specialmente in medicina. Un medico deve sapere se il computer sta guardando il tumore o se sta solo indovinando basandosi su un'ombra casuale. Per affrontare questo problema, i ricercatori hanno utilizzato una tecnica chiamata Grad-CAM, che agisce come un riflettore sull'attenzione del computer. Questo strumento genera una mappa di calore che evidenzia le aree specifiche della scansione cerebrale che hanno influenzato la previsione del modello. Applicato al modello VGG-16, queste mappe di calore hanno mostrato chiaramente che il sistema si concentrava sulle reali regioni tumorali, confermando che l'intelligenza artificiale stava imparando le corrette caratteristiche anatomiche invece di fare affidamento su modelli fuorvianti. Questa trasparenza è un passo cruciale verso la costruzione di fiducia in questi strumenti per l'uso clinico nel mondo reale.

Nonostante questi risultati promettenti, i ricercatori riconoscono che il loro lavoro ha dei limiti. Lo studio si è basato su un singolo dataset disponibile pubblicamente, il che significa che la capacità del modello di gestire diversi tipi di scansioni o apparecchiature provenienti da altri ospedali non è stata ancora dimostrata. Inoltre, il modello con le migliori prestazioni richiede una potenza di calcolo significativa, il che potrebbe rappresentare un ostacolo per gli ospedali con risorse limitate. Gli autori suggeriscono che il lavoro futuro dovrebbe esplorare modelli più leggeri ed efficienti e testarli su una più ampia varietà di scansioni cerebrali, inclusi diversi tipi di immagini di risonanza magnetica. Propongono anche di integrare questi sistemi nei flussi di lavoro ospedalieri per assistere i medici in tempo reale. Per ora, questa ricerca fornisce una chiara tabella di marcia, dimostrando che con la giusta combinazione di preparazione dei dati e selezione del modello, l'intelligenza artificiale può servire come un partner potente e affidabile nella lotta contro i tumori cerebrali.