Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI

Il tumore alla prostata è il tumore più comune tra gli uomini negli Stati Uniti, e determinare quanto la malattia si sia diffusa è un passaggio critico per decidere come trattarla. Quando un tumore è confinato all'interno della ghiandola prostatica, i medici possono spesso rimuoverlo con un intervento chirurgico che preserva i nervi importanti. Tuttavia, se il cancro ha spinto oltre il confine esterno della ghiandola, una condizione nota come estensione extraprostatica, il piano di trattamento deve cambiare. I chirurghi potrebbero dover rimuovere margini di tessuto più ampi e i pazienti potrebbero necessitare di terapie aggiuntive, come la radioterapia o il trattamento ormonale, per prevenire il ritorno del cancro. Per decenni, i medici si sono affidati alla risonanza magnetica, o MRI, per individuare questi segni di diffusione prima dell'intervento chirurgico. Sebbene queste scansioni siano potenti, leggerle è difficile. I segni di un tumore che rompe il bordo della ghiandola possono essere sottili, e anche specialisti esperti a volte possono mancarli o non concordare su ciò che vedono.

Per affrontare questa sfida, un team di ricercatori della NYU Grossman School of Medicine e dell'Università di Washington ha voluto vedere se l'intelligenza artificiale potesse eguagliare la competenza dei radiologi umani nel rilevare questo specifico tipo di diffusione del cancro. Si sono concentrati su due tipi di scansioni MRI: una versione standard che utilizza diversi tipi di dati, e una versione snellita che utilizza meno sequenze ma è più veloce ed economica da eseguire. I ricercatori hanno costruito modelli informatici capaci di apprendere da migliaia di scansioni passate di pazienti per riconoscere i pattern associati al cancro che si è esteso oltre la prostata. Il loro obiettivo non era solo vedere se le macchine potessero imparare, ma determinare se potessero farlo senza la necessità che un essere umano disegni prima dettagliati contorni attorno alla prostata o al tumore, un processo che è lento e soggetto all'errore umano.

Lo studio ha coinvolto un ampio gruppo di pazienti che avevano sottoposto esami MRI prostatici tra il 2015 e il 2023 e che successivamente avevano subito l'asportazione chirurgica della prostata. Questa rimozione chirurgica ha fornito la "verità di base" (ground truth), permettendo ai ricercatori di sapere esattamente quali pazienti avevano un cancro che si era diffuso e quali no. Il team ha diviso questi dati in gruppi per addestrare e testare i loro modelli informatici. Hanno creato due versioni di un sistema di intelligenza artificiale. La prima versione analizzava solo le immagini della MRI snellita, che cattura la struttura della prostata e il modo in cui le molecole d'acqua si muovono attraverso di essa. La seconda versione analizzava quelle stesse immagini insieme a un terzo tipo di scansione che mostra come la prostata assorbe il mezzo di contrasto. Fondamentalmente, nessuna delle due versioni richiedeva che un essere umano delineasse manualmente la prostata o il tumore sullo schermo. Invece, il computer analizzava l'intero volume della scansione in una sola volta, imparando a identificare le sottili texture e le forme che indicano che il cancro ha violato il confine della ghiandola.

Per vedere quanto ben performassero questi modelli informatici, i ricercatori li hanno confrontati con tre radiologi altamente addestrati che si specializzano in imaging addominale. Gli esperti hanno esaminato le stesse scansioni di test, guardando prima le immagini snellite e poi l'insieme completo di immagini incluse quelle con il mezzo di contrasto. Hanno assegnato un punteggio a ogni scansione in base a quanto fosse probabile che il cancro si fosse diffuso. I risultati hanno mostato che i modelli informatici hanno performato altrettanto bene degli esperti umani. I modelli sono stati in grado di rilevare la diffusione del cancro con un livello di accuratezza statisticamente indistinguibile da quello dei radiologi con specializzazione fellowship. Questo risultato è significativo perché suggerisce che l'intelligenza artificiale può servire come un affidabile secondo paio di occhi, potenzialmente riducendo il carico di lavoro per i medici e garantendo che meno casi di diffusione vengano persi.

I ricercatori hanno anche indagato se l'aggiunta delle immagini con il mezzo di contrasto aiutasse la diagnosi. Per entrambi i lettori umani e i modelli informatici, guardare l'insieme completo di immagini inclusa la tintura ha portato a un leggero miglioramento dell'accuratezza. Gli umani sono diventati più bravi a individuare la diffusione, e i modelli informatici sono diventati leggermente più precisi. Tuttavia, il miglioramento non è stato abbastanza drammatico da dichiararlo un vero punto di svolta basandosi solo su questi dati. Lo studio ha anche scoperto che i modelli informatici erano particolarmente bravi a individuare aree di diffusione più grandi, mentre sia gli umani che le macchine faticavano di più con aree focali molto piccole dove il cancro stava appena iniziando a sporgere dal confine. Questa difficoltà con i casi focali piccoli è un limite noto nel campo, poiché questi segni minuscoli sono intrinsecamente più difficili da vedere su qualsiasi scansione.

Uno degli aspetti più notevoli di questo lavoro è come siano stati addestrati i modelli informatici. A differenza di molti tentativi precedenti che richiedevano ai medici di passare ore a disegnare bordi precisi attorno alla prostata o al tumore prima che il computer potesse apprendere, questi modelli hanno appreso direttamente dalle immagini grezze e dai risultati chirurgici finali. Questo approccio, noto come apprendimento debolmente supervisionato (weakly supervised learning), significa che il sistema ha imparato a riconoscere la malattia senza il collo di bottiglia della delineazione manuale. I ricercatori hanno anche testato se l'aggiunta di una semplice misurazione del test del sangue, nota come densità dell'antigene specifico della prostata, aiutasse l'analisi del computer. Sebbene l'aggiunta di questi dati clinici abbia migliorato leggermente la performance del modello, le immagini stesse rimanevano il driver primario della diagnosi.

Lo studio conclude che questi modelli di intelligenza artificiale privi di segmentazione sono uno strumento valido per rilevare la diffusione del cancro, con prestazioni alla pari di esperti radiologi. Sebbene l'aggiunta del mezzo di contrasto e dei dati clinici abbia offerto piccoli guadagni, la scoperta centrale è che le macchine possono imparare a vedere ciò che vedono gli esperti senza necessitare il passaggio laborioso della tracciatura manuale. I ricercatori riconoscono che il loro lavoro è stato condotto in un singolo centro medico e che i modelli devono essere testati su dati provenienti da diversi ospedali e diversi tipi di macchine MRI per garantire che funzionino ovunque. Hanno inoltre osservato che lo studio è stato retrospettivo, il che significa che ha guardato a dati passati, e che il lavoro futuro dovrebbe concentrarsi sul perfezionamento dei modelli per catturare i casi di diffusione più piccoli e difficili. Per ora, il lavoro dimostra che l'intelligenza artificiale ha raggiunto un punto in cui può stare fianco a fianco con gli specialisti umani in un compito diagnostico ad alto rischio, offrendo una strada promettente verso una cura del cancro più consistente e accessibile.