SpineFusion for plane aware local and global MRI classification of multiple sclerosis and myelitis

Il sistema nervoso umano è una rete vasta e intricata e, quando funziona male, le conseguenze possono essere profonde. Due di queste condizioni, la sclerosi multipla e la mielite, comportano l'infiammazione e il danno al rivestimento protettivo delle fibre nervose, creando lesioni che interrompono la comunicazione all'interno del corpo. La sclerosi multipla si presenta spesso con chiazze di danno brevi e sparse, mentre la mielite può causare tratti di infiammazione lunghi e continui. Distinguere tra le due è vitale per il trattamento, eppure è un compito difficile per i medici che osservano le immagini mediche. Queste immagini, note come risonanze magnetiche o scansioni MRI, catturano il corpo in sottili fette da diverse angolazioni. A volte la differenza tra le due malattie è sottile, nascosta nella trama di una piccola macchia o nel modo in cui una lesione si estende attraverso una fetta. Inoltre, l'orientamento della scansione — se guarda il corpo dal lato o dall'alto — cambia il modo in cui l'anatomia appare, aggiungendo un altro livello di complessità alla diagnosi.

Per aiutare i medici a navigare in questa complessità, i ricercatori si sono rivolti all'intelligenza artificiale, in particolare a un campo chiamato deep learning. Questi sistemi informatici sono progettati per apprendere schemi da vasti quantitativi di dati, proprio come uno studente che impara da un libro di testo, ma lo fanno regolando milioni di impostazioni interne per riconoscere caratteristiche visive. La sfida è stata quella di costruire un sistema che potesse vedere sia i dettagli fini di una lesione che il contesto più ampio dell'anatomia circostante, comprendendo anche l'angolo da cui è stata scattata l'immagine. Se un computer può imparare a combinare queste diverse prospettive, potrebbe offrire un parere più affidabile per i casi difficili.

Un team di ricercatori di università turche ha sviluppato un nuovo approccio a questo problema, creando un sistema che chiamano SpineFusion. Il loro lavoro si concentra sull'insegnare a un computer a guardare le scansioni MRI della colonna vertebrale e del cervello, identificando se un paziente è sano o soffre di sclerosi multipla o mielite. I ricercatori non hanno semplicemente addestrato un normale programma informatico; invece, hanno costruito un sistema a doppio motore che imita il modo in cui un esperto umano potrebbe guardare un'immagine. Una parte del sistema è progettata per individuare i dettagli locali, come la specifica trama di una piccola lesione, mentre l'altra parte guarda il quadro generale, comprendendo la forma complessiva del midollo spinale o del cervello. Fondamentalmente, queste due parti non lavorano in isolamento. Esse scambiano costantemente informazioni, con la parte focalizzata sui dettagli che chiede aiuto alla parte focalizzata sul contesto, e viceversa. Inoltre, al sistema viene esplicitamente detto se sta guardando una vista laterale o una vista dall'alto del corpo, un'informazione che lo aiuta a interpretare correttamente i dati visivi.

I ricercatori hanno testato questo nuovo sistema su tre diverse collezioni di immagini mediche pubbliche. La prima collezione conteneva quasi 2.800 immagini di midollo spinale, etichettate come sane, con sclerosi multipla o con mielite. Il secondo set includeva oltre 3.400 immagini di cervelli, distinguendo tra individui sani e quelli con sclerosi multipla. Il terzo set, il più grande, conteneva quasi 12.000 immagini che coprivano otto diverse condizioni neurologiche, che vanno dalla malattia di Alzheimer ai tumori cerebrali. In ogni caso, il sistema è stato addestrato e testato separatamente, assicurando che la conoscenza acquisita da un set di immagini non trapelasse nel test di un altro.

I risultati hanno dimostrato che il sistema era altamente efficace nel suo compito. Sulle immagini spinali, ha identificato correttamente la condizione in circa il 95% dei casi. Sulle immagini cerebrali, ha raggiunto un AUC di quasi 0,98 e, sul grande e complesso set di otto diverse malattie, ha raggiunto un AUC superiore a 0,99. Tuttavia, i ricercatori sono stati attenti a non sostenere che questo fosse una soluzione perfetta. Quando hanno confrontato il loro nuovo sistema con i metodi più vecchi che avevano precedentemente riportato punteggi elevati, hanno scoperto che il loro approccio non superava necessariamente i migliori numeri esistenti. Infatti, la parte del loro sistema dedicata all'individuazione dei dettagli locali era già così forte da sola che l'aggiunta del contesto globale e delle informazioni sull'angolo ha migliorato i risultati solo di una frazione minima. Ciò suggerisce che, per questo specifico tipo di immagine spinale, la capacità di vedere la trama fine è il fattore più importante, e l'aggiunta della complessità di combinare le viste offre solo un beneficio marginale.

Lo studio ha anche evidenziato dove il sistema incontra ancora difficoltà. Gli errori più comuni si sono verificati quando il computer ha confuso la sclerosi multipla con la mielite, due condizioni clinicamente simili e spesso difficili da distinguere anche per gli esperti umani. I ricercatori hanno inoltre notato un limite significativo nei loro dati: le immagini provenivano da archivi pubblici che non sempre includevano etichette chiare che collegavano più fette allo stesso paziente. Ciò significa che fette della stessa persona potevano finire sia nel gruppo di addestramento che in quello di test, il che potrebbe far apparire il sistema più accurato di quanto non sia realmente di fronte a un paziente completamente nuovo. Per questo motivo, i ricercatori hanno sottolineato che i loro risultati sono una prova di concetto piuttosto che uno strumento medico pronto all'uso.

In definitiva, questo lavoro dimostra che è possibile costruire un modello di machine learning che comprenda sia i dettagli locali che il contesto globale delle immagini mediche, e che può utilizzare l'orientamento della scansione per migliorare il proprio giudizio. Il sistema è riuscito ad apprendere come fondere questi diversi tipi di informazioni, creando un quadro robusto per l'analisi delle scansioni MRI. Sebbene i risultati attuali siano promettenti, i ricercatori concludono che, prima che tale strumento possa essere utilizzato per aiutare i pazienti, debba essere testato su dati in cui ogni fetta è attentamente raggruppata per paziente, per garantire che il sistema stia imparando davvero la malattia e non stia solo memorizzando le immagini specifiche che ha visto. Il percorso da seguire prevede il perfezionamento di questi modelli e la loro validazione in contesti clinici reali, dove la posta in gioco è alta e la necessità di precisione è assoluta.