A Deep Learning–Based Framework for Lung Cancer Detection Using Medical Imaging.

Il tumore al polmone rimane la principale causa di morte per cancro in tutto il mondo, rivendicando più vite rispetto ai tumori al seno, al colon-retto e alla prostata combinati. La sfida per i medici non è solo trovare la malattia, ma individuarla abbastanza presto da poter fare la differenza. Ciò richiede spesso l'esame di migliaesi di immagini da scansioni TC (tomografia computerizzata), alla ricerca di segni minuscoli e sottili di tessuto anomalo che l'occhio umano potrebbe mancare o interpretare erroneamente. Negli ultimi anni, un ramo dell'intelligenza artificiale noto come deep learning è emerso come uno strumento potente per questo compito. Questi sistemi, costruiti su strutture chiamate reti neurali convoluzionali, sono progettati per imitare il modo in cui il cervello elabora le informazioni visive. Imparano a riconoscere i pattern scansionando le immagini, identificando bordi e texture, e costruendo gradualmente una comprensione complessa di cosa sia un tessuto sano rispetto a un tessuto malato. L'obiettivo è creare un assistente informatico che possa aiutare i radiologi a prendere decisioni più rapide e accurate, salvando potenzialmente vite umane individuando la malattia prima che si diffonda.

Un ricercatore della Coventry University e della Tribhuvan University ha deciso di testare quanto bene due diversi tipi di questi sistemi di intelligenza artificiale possano operare quando incaricati di diagnosticare il tumore al polmone. Si è concentrato su una domanda specifica che spesso affligge la tecnologia medica: è meglio avere un sistema che sia estremamente accurato ma che richieda molta potenza di calcolo, o uno che sia più veloce e leggero ma forse leggermente meno preciso? Per trovare la risposta, hanno addestrato due modelli distinti su una collezione di 1.097 immagini di scansioni TC. Queste immagini sono state categorizzate in tre gruppi: polmoni normali, polmoni con escrescenze benigne (non cancerose) e polmoni con tumori maligni (cancerosi). Il ricercatore ha preso queste immagini, ne ha regolato la dimensione e ha utilizzato una tecnica chiamata data augmentation, che crea leggere variazioni della stessa immagine ruotandola o ribaltandola, per insegnare ai computer a riconoscere la malattia in diverse condizioni.

Il primo modello testato era chiamato VGG16. Questa è un'architettura profonda e complessa che agisce come un microscopio altamente dettagliato, svelando strati di un'immagine per trovare caratteristiche molto specifiche e intricate. Il secondo modello, MobileNetV2, è un sistema molto più leggero e veloce, progettato per lavorare in modo efficiente su dispositivi con capacità di calcolo limitate, come telefoni cellulari o vecchi computer ospedalieri. Quando il ricercatore ha lasciato che questi modelli imparassero dai dati, la differenza nelle loro prestazioni è stata netta. Il modello VGG16 si è dimostrato un diagnostico straordinariamente acuto. Dopo l'addestramento, ha identificato correttamente la condizione dei polmoni nel 97,22% dei casi di test. È stato particolarmente bravo a distinguere tra le tre categorie, confondendo raramente un'escrescenza benigna con un polmone sano o mancando un tumore maligno. Il sistema ha imparato velocemente, stabilizzando la sua accuratezza in soli pochi cicli di addestramento, e ha mantenuto questo alto livello di affidabilità durante tutta la fase di test.

Al contrario, il modello MobileNetV2 ha faticato a raggiungere lo stesso livello di precisione. Sebbene elaborasse le immagini molto più velocemente e utilizzasse molte meno risorse, la sua accuratezza si è assestata al 68,33%. Il ricercatore ha osservato che questo modello più leggero spesso confondeva le escrescenze benigne con il tessuto normale e sano. Sembrava mancare i dettagli fini e sottili che il modello VGG16, più profondo, poteva facilmente individuare. I dati hanno mostrato che, sebbene MobileNetV2 fosse efficiente, mancava della sofisticata capacità di estrazione delle caratteristiche necessaria per gestire la complessità del distinguere tra tre diverse condizioni mediche in un'unica immagine. La confusione non era casuale; il modello etichettava frequentemente i casi benigni come normali, un tipo di errore che potrebbe essere pericoloso in un contesto clinico reale dove mancare un potenziale problema è rischioso.

Lo studio conclude che non esiste un singolo modello "migliore" per ogni situazione, bensì un chiaro compromesso tra accuratezza e velocità. L'architettura VGG16 ha dimostrato che per decisioni mediche ad alto rischio dove la precisione è fondamentale, l'investimento in ulteriore potenza di calcolo vale la pena. Offre un livello di affidabilità diagnostica che la rende adatta agli ambienti ospedalieri dove l'obiettivo è ottenere la risposta corretta ogni volta. D'altro canto, MobileNetV2, nonostante la sua minore accuratezza, mantiene comunque valore nei contesti con scarse risorse dove la velocità e il basso costo sono le preoccupazioni primarie. Il ricercatore suggerisce che, sebbene il modello più leggero non sia pronto a sostituire quello più accurato per le diagnosi critiche, potrebbe servire come utile strumento per lo screening rapido in aree prive di infrastrutture mediche avanzate. In definitiva, il lavoro evidenzia che, sebbene l'intelligenza artificiale detenga grandi promesse per la rilevazione del tumore al polmone, la scelta della tecnologia deve essere attentamente abbinata alle esigenze specifiche dell'ambiente in cui verrà utilizzata.