Development and Validation of a Deep Learning Ensemble Model to Predict Drug-resistant Tuberculosis From Initial Chest X-ray Image

La tubercolosi rimane una delle malattie infettive più persistenti e letali del pianeta, causando oltre un milione di morti ogni anno. Sebbene la medicina moderna abbia sviluppato modi per curare la malattia, una minaccia crescente si profila all'orizzonte: i ceppi resistenti ai farmaci. Si tratta di batteri che hanno imparato a sopravvivere ai comuni medicinali utilizzati per ucciderli. Identificare rapidamente questi ceppi resistenti è una corsa contro il tempo. Se un paziente è infetto da una versione resistente ma viene trattato con farmaci standard, la malattia continua a diffondersi e le condizioni del paziente peggiorano, portando spesso alla morte. L'attuale standard d'oro per la diagnosi prevede il prelievo di un campione e il test in laboratorio per vedere quali farmaci funzionano, ma questo processo può richiedere settimane. Nel mondo delle malattie infettive, le settimane possono fare la differenza tra il contenimento e un focolaio diffuso.

I ricercatori sospettano da tempo che i modelli visibili in una radiografia del torace possano contenere indizi sul fatto che un paziente abbia un ceppo resistente ai farmaci. Una radiografia del torace è un'immagine semplice e ampiamente disponibile che mostra i polmoni. Mentre un medico umano osserva queste immagini per vedere se i polmoni sono infetti, non riesce facilmente a distinguere tra un'infezione standard e una resistente ai farmaci solo guardandole. Tuttavia, l'occhio umano non è l'unico strumento capace di vedere modelli. Un nuovo studio ha sfruttato il potere dell'intelligenza artificiale per esaminare queste immagini in un modo che va oltre la capacità umana, con l'obiettivo di individuare i segni sottili della resistenza ai farmaci immediatamente dopo l'arrivo del paziente in clinica.

Un team di ricercatori si è posto l'obiettivo di costruire un sistema informatico che potesse fungere da segnale di allerta precoce. Non hanno creato una nuova macchina o un nuovo tipo di scanner. Inveve, hanno utilizzato una vasta collezione di immagini di radiografie del torace esistenti e le cartelle cliniche confermate dei pazienti che le avevano effettuate. Questi dati provenivano da un progetto globale chiamato TB Portals, che raccoglie informazioni sui pazienti affetti da tubercolosi in tutto il mondo. I ricercatori hanno selezionato oltre 7.000 immagini di pazienti dell'Europa orientale e dell'Asia centrale, assicurandosi di avere un registro chiaro se ciascun paziente avesse un ceppo sensibile ai farmaci o uno resistente ai farmaci. Hanno suddiviso questi dati in gruppi: un gruppo per insegnare al computer, uno per controllare i suoi progressi e un gruppo finale per testare le sue abilità finali, proprio come uno studente che sostiene un esame di pratica prima del vero esame.

Per costruire il loro sistema, i ricercatori non si sono affidati a un singolo programma informatico. Hanno invece creato un "ensemble", ovvero un team di diversi modelli di intelligenza artificiale che lavorano insieme. Hanno addestrato tre distinti modelli di deep learning — programmi informatici complessi progettati per riconoscere modelli nelle immagini — sulle radiografie del torace. Questi modelli hanno imparato a identificare migliaia di minuscoli dettagli nelle immagini polmonari che l'occhio umano potrebbe perdere. In parallelo, il team ha utilizzato un metodo diverso chiamato radiomica, che scompone un'immagine in centinaia di caratteristiche matematiche misurabili, come la texture e la forma. Hanno inoltre incluso informazioni di base sui pazienti, come l'età, il sesso e la presenza di altre condizioni di salute come il diabete o l'HIV.

I ricercatori hanno poi combinato gli approfondimenti provenienti da tutte queste diverse fonti. Hanno preso le previsioni dei tre modelli di lettura delle immagini, l'analisi radiomica e i dati sanitari di base del paziente, e li hanno inseriti in un classificatore finale di machine learning. Questo passaggio finale ha agito come un giudice, pesando tutte le prove per produrre un singolo punteggio di probabilità. Questo punteggio rappresentava la probabilità che il paziente avesse una forma di tubercolosi resistente ai farmaci. Il sistema è stato progettato per essere un guardiano, una prima linea di difesa che potesse segnalare i pazienti ad alto rischio per test e trattamenti specialistici immediati, invece di attendere il lento ritorno dei risultati di laboratorio.

Quando il team ha testato il modello finale sui dati che non aveva mai visto prima, i risultati sono stati promettenti. Il sistema ha distinto correttamente i casi resistenti ai farmaci da quelli sensibili ai farmaci con un alto grado di precisione. Nel gruppo di test, il modello ha raggiunto un punteggio che indica la sua capacità di separare in modo affidabile i due gruppi, performando significativamente meglio rispetto all'uso della sola informazione clinica. Il modello non ha solo indovinato casualmente; ha mostrato un modello chiaro. I pazienti che in seguito sono stati confermati affetti dalla forma più grave di resistenza, nota come tubercolosi multiresistente, hanno ricevuto punteggi di rischio più elevati dal modello rispetto a quelli con una resistenza meno grave. Ciò suggerisce che il sistema fosse abbastanza sensibile da rilevare l'intensità della resistenza, non solo la sua presenza.

I ricercatori hanno anche osservato come il modello prendeva le sue decisioni per garantire che stesse guardando le cose giuste. Utilizzando una tecnica che evidenzia quali parti di un'immagine hanno influenzato la scelta del computer, hanno scoperto che il modello focalizzava la sua attenzione sui campi polmonari, esattamente dove guarderebbe un medico. Ha identificato macchie scure e cambiamenti strutturali all'interno dei polmoni che sono caratteristici della malattia. Tuttavia, lo studio ha anche rivelato un limite. Le prestazioni del modello sono diminuite quando i pazienti presentavano altre condizioni di salute, come l'anemia o l'HIV. Ciò indica che, sebbene il sistema sia potente, altre malattie nei polmoni possono confondere il modello che sta cercando di individuare, rendendo la diagnosi più difficile nei pazienti con molteplici problemi di salute.

Lo studio conclude che le radiografie del torace, quando analizzate da questo specifico tipo di intelligenza artificiale, possono fornire una stima rapida e significativa del rischio di resistenza ai farmaci. Gli autori precisano con cura che questo sistema non è un sostituto dei test di laboratorio che confermano quali specifici farmaci funzioneranno. Invece, funge da potente strumento di screening. In una clinica affollata, specialmente in aree dove le attrezzature di laboratorio avanzate sono scarse, questo strumento può aiutare i medici a decidere quali pazienti necessitano di cure specialistiche urgenti immediatamente. Identificando precocemente i casi più pericolosi, il sistema offre un modo per iniziare il trattamento corretto prima, potenzialmente salvando vite e fermando la diffusione di questi batteri difficili da trattare prima che causino ulteriori danni. Il lavoro dimostra che con i dati giusti e un approccio collaborativo tra diversi tipi di modelli informatici, possiamo estrarre nuovi approfondimenti salvavita dalle immagini che vengono acquisite da decenni.