Ultrasound Deep Learning for Distinguishing Benign Reactive from Hematologic Malignancy-Associated Cervical Lymphadenopathy in Children: Development and Validation

Ogni anno, milioni di bambini visitano i medici perché hanno il collo gonfio. Questi rigonfi sono solitamente linfonodi innocui, le piccole ghiandole che agiscono come parte del sistema immunitario del corpo, che si gonfiano per combattere un comune raffreddore o un'infezione virale. Tuttavia, in un numero piccolo ma critico di casi, quegli stessi linfonodi gonfi possono essere il primo segno di un grave tumore del sangue, come la leucemia o il linfoma. Distinguere tra una semplice reazione a un virus e un segno di cancro è una delle sfide più difficili nella medicina pediatrica. L'ecografia, uno strumento di diagnostica per immagini sicuro che utilizza onde sonore invece delle radiazioni, è il primo passo che i medici compiono per guardare all'interno di questi linfonodi. Può mostrare la forma del linfonodo e come scorre il sangue al suo interno, ma gli indizi visivi spesso si sovrappongono. Un linfonodo che appare sospetto potrebbe essere solo impegnato a combattere un virus, mentre un linfonodo che appare calmo potrebbe nascondere una malignità. Per decenni, i medici si sono affidati alla loro esperienza e a una lista di controllo di caratteristiche per prendere questa decisione, ma la linea tra benigno e pericoloso è spesso sfumata.

Un team di ricercatori presso l'Ospedale dei Bambini dell'Università di Soochow, in Cina, si è posto l'obiettivo di vedere se un computer potesse imparare a individuare la differenza laddove l'occhio umano esita. Non hanno chiesto al computer di guardare esami del sangue o la storia clinica del paziente; invece, gli hanno fornito solo le immagini ecografiche stesse e i contorni dei linfonodi gonfi. L'obiettivo era costruire un assistente digitale che potesse guardare una scansione di routine e dire a un medico se il gonfiore fosse probabilmente una reazione innocua o qualcosa che richiedeva un'attenzione immediata per un tumore del sangue. Questo approccio si basa sull'idea che i pixel grezzi di un'immagine ecografica contengano schemi sottili — texture, ombre e dettagli dei bordi — che l'occhio umano potrebbe perdere ma che una macchina può imparare a riconoscere.

Per insegnare a questo computer, i ricercatori hanno raccolto una vasta collezione di immagini ecografiche dai loro archivi ospedalieri. Sono partiti con oltre seicento immagini di linfonodi del collo gonfi appartenenti a bambini. Ogni immagine era stata accuratamente contrassegnata da tre esperti medici ecografisti che avevano disegnato un contorno preciso attorno al linfonodo, indipendentemente l'uno dall'altro e senza conoscere la diagnosi finale. Quando i medici discordavano sulla forma, si incontravano per concordare un unico contorno perfetto. Questo processo ha garantito che il computer imparasse dalla mappa più accurata possibile del tessuto. I ricercatori hanno poi raggruppato le immagini in modo che diverse vedute dello stesso linfonodo di un bambino fossero mantenute insieme, impedendo al computer di memorizzare semplicemente la stessa immagine due volte. Hanno diviso i dati in cinque gruppi, addestrando il computer su quattro di essi e testandolo sul quinto, ruotando finché ogni immagine non fosse stata testata. Questo rigoroso metodo ha garantito che i risultati non fossero un colpo di fortuna dovuto a una divisione fortunata dei dati.

Il modello informatico che hanno costruito si basava su un'architettura sofisticata nota come EfficientNet, che era stata pre-addestrata su milioni di immagini generiche per riconoscere forme e pattern. I ricercatori hanno adattato questo modello affinché accettasse l'immagine ecografica e il contorno disegnato dal medico come input. Hanno alimentato il modello con migliaia di esempi, lasciandolo imparare le differenze visive tra i linfonodi causati dalla leucemia o dal linfoma e quelli causati da infezioni virali come il virus di Epstein-Barr o l'infiammazione generale. Il computer non si limitava a indovinare; ha imparato a pesare l'evidenza visiva, regolando le sue impostazioni interne finché non è riuscito a separare costantemente i due gruppi.

Quando i ricercatori hanno testato il modello finale su dati che non aveva mai visto prima, questo ha ottenuto un alto grado di precisione. Il sistema ha distinto correttamente tra linfonodi benigni e maligni in circa l'86 percento dei casi, una misura di prestazione nota come area sotto la curva. In un'impostazione specifica scelta per bilanciare la necessità di individuare tutti i tumori con la necessità di evitare falsi allarmi, il modello è stato corretto circa il 78 percento delle volte. Ha identificato correttamente quasi il 77 percento dei casi reali di cancro, il che significa che ha mancato solo una piccola frazione dei linfonodi pericolosi, mentre ha identificato correttamente circa l'80 percento dei casi innocui. Questo livello di prestazione suggerisce che le sole immagini ecografiche, senza alcuna altra informazione medica, contengono abbastanza informazioni visive affinché una macchina possa fare una distinzione affidabile.

Lo studio ha anche esaminato come il modello gestisse diversi tipi di cancro. Ha rilevato che il computer era leggermente più bravo a individuare il linfoma rispetto alla leucemia. Questo ha senso guardando le immagini: i linfonodi del linfoma hanno spesso forme arrotondate molto distinte e centri scuri che spiccano chiarmente, mentre i linfonodi colpiti dalla leucemia possono apparire più come il gonfiore disordinato e irregolare visto nelle infezioni virali, rendendoli più difficili da distinguere. Nonostante questa difficoltà, il modello è comunque riuscito a separare i casi di leucemia da quelli benigni meglio del caso, con punteggi di prestazione costantemente superiori all'83 percento per tutti i confronti specifici.

I ricercatori sono stati attenti a sottolineare che questo strumento non è un sostituto del medico. Non diagnostica il cancro da solo, né sostituisce la necessità di biopsie o esami del sangue quando si sospetta un cancro. Invece, agisce come un secondo paio di occhi, offrendo un parere oggettivo sull'immagine stessa. La fiducia del computer è stata calibrata in modo tale che, quando forniva un punteggio elevato, fosse molto probabile che il linfonodo fosse effettivamente maligno. Ciò potrebbe aiutare un radiologo a decidere se un bambino necessiti di ulteriori test urgenti o se il gonfiore possa essere monitorato in sicurezza nel tempo. Lo studio è stato condotto in un singolo ospedale e i contorni sono stati disegnati a mano dagli esperti, il che significa che il passo successivo è vedere se il modello funziona altrettanto bene su immagini provenienti da altri ospedali e se può funzionare con contorni generati automaticamente.

In definitiva, questo lavoro dimostra che il linguaggio visivo dell'ecografia contiene segreti che possono essere decodificati dall'intelligenza artificiale moderna. Concentrandosi strettamente sull'immagine e sulla forma del linfonode, i ricercatori hanno dimostrato che un computer può imparare a vedere la differenza tra il corpo di un bambino che combatte un virus e il corpo di un bambino che combatte un cancro. Sebbene il modello non sia ancora pronto per essere utilizzato in ogni clinica, i risultati forniscono una solida base per studi futuri. Suggeriscono che, in un futuro prossimo, un computer potrebbe sedersi accanto a un pediatra, esaminando una scansione ecografica e offrendo una prospettiva basata sui dati che aiuti a garantire che nessun caso pericoloso venga perso e che nessun bambino subisca procedure non necessarie.