Early Diagnosis of Ischemic Stroke on Non-Contrast CT Scans Using a Convolutional Neural  Network: A Case Study from Mulago National Referral Hospital, Uganda

Sintesi Tecnica: Diagnosi precoce dell'ictus ischemico tramite scansioni TC senza contrasto utilizzando una CNN in Uganda

Definizione del problema
Nei paesi a basso e medio reddito (LMIC), in particolare in Uganda, la diagnosi di ictus ischemico è frequentemente ritardata a causa della scarsità di radiologi specialisti. Sebbene la tomografia computerizzata senza contrasto (NCCT) sia la modalità di imaging più diffusa per i sospetti ictus, rilevare i cambiamenti ischemici precoci su queste scansioni è complesso e richiede tipicamente un'interpretazione esperta. In ospedali pubblici come l'Ospedale Nazionale di Riferimento di Mulago, sono comuni ritardi nella refertazione di tre o cinque giorni, poiché i radiologi danno la priorità ai traumi e ad altre emergenze. Le soluzioni esistenti di diagnostica assistita dal computer spesso si basano su imaging avanzato (ad esempio, perfusione CT o angiografia) non disponibile nei contesti con risorse limitate, oppure non forniscono interfacce di assistenza al punto di cura utilizzabili da personale non tecnico.

Metodologia
Questo studio ha impiegato un disegno di accuratezza diagnostica retrospettiva per sviluppare e validare una Rete Neurale Convoluzionale (CNN) per il rilevamento precoce dell'ictus ischemico utilizzando esclusivamente scansioni NCCT provenienti dall'Ospedale Nazionale di Riferimento di Mulago.

• Dataset: Lo studio ha utilizzato 1.000 scansioni NCCT anonimizzate (500 ictus ischemici confermati, 500 controlli) raccolte tra gennaio 2022 e giugno 2023. Le immagini sono state curate da un pool totale di 1.450 scansioni dopo l'esclusione di quelle con artefatti da movimento, serie incomplete o metadati corrotti.
• Annotazione: Tre radiologi con oltre cinque anni di esperienza in neuroimaging hanno annotato indipendentamente le 500 scansioni positive all'ictus, prendendo di mira segni precoci quali ipoattenuazione, effacement dei solchi e perdita della differenziazione tra sostanza grigia e bianca. L'affidabilità inter-valutatore è stata forte (Cohen's κ = 0,83), con discrepanze risolte tramite consenso per creare lo standard di riferimento.
• Pre-elaborazione: La pipeline ha incluso la normalizzazione dell'intensità, il ridimensionamento a dimensioni standardizzate e l'aumento dei dati (rotazioni, traslazioni, flip). Le caratteristiche quantitative estratte includevano metriche di intensità, descrittori di forma e caratteristiche di texture derivate dalle proprietà della Matrice di Co-occorrenza dei Livelli di Grigio (GLCM).
• Architettura del modello: Una CNN 2D è stata sviluppata in PyTorch per analizzare le singole fette. L'architettura consisteva in strati di convoluzione e pooling per l'estrazione delle caratteristiche, seguiti da strati completamente connessi e un output softmax. Le tecniche per prevenire l'overfitting hanno incluso dropout, regolarizzazione L2 e batch normalization. Il modello è stato addestrato utilizzando l'ottimizzatore Adam su 100 epoche con accelerazione GPU.
• Strategia di valutazione: Le prestazioni sono state valutate tramite cross-validazione a cinque pieghe (80% addestramento, 20% test). Inoltre, è stata condotta un'analisi comparativa su un sottoinsieme indipendente e rigorosamente separato di 30 casi (15 ictus, 15 non ictus) contro un radiologo consulente senior.
• Deployment: È stata sviluppata un'interfaccia web-based utilizzando un backend RESTful API (backend Flask, frontend HTML/CSS/JavaScript) per consentire il caricamento sicuro di file DICOM, JPEG o PNG e la visualizzazione dei risultati di inferenza automatizzata.

Risultati Chiave

• Prestazioni del modello: Attraverso la cross-validazione a cinque pieghe, la CNN ha raggiunto un'accuratezza media del 90,2% (±1,8), una sensibilità del 91,4% (±1,7), una specificità dell'89,0% (±2,1) e un'Area Sotto la Curva (AUC) del 91,3% (±1,7). Le prestazioni sono rimaste stabili attraverso le pieghe di validazione.
• Confronto con il radiologo: Nel sottoinsieme indipendente di 30 casi, il radiologo senior ha ottenuto una sensibilità del 100% e una specificità del 95%, non mancando alcun caso. La CNN ha ottenuto una sensibilità dell'86,7% e una specificità dell'88,7%, mancando due casi di ictus. L'analisi statistica (test di McNemar) ha indicato che la differenza nelle prestazioni diagnostiche non era statisticamente significativa (p = 0,21).
• Efficienza: Il differenziatore più significativo è stato il tempo di elaborazione. La CNN ha elaborato le scansioni in circa 3 secondi per caso, rispetto ai 5 minuti richiesti per l'interpretazione manuale del radiologo.
• Funzionalità della piattaforma: L'interfaccia web-based ha dimostrato con successo la capacità di caricare scansioni, eseguire l'analisi automatizzata e generare risultati in pochi secondi in un ambiente ospedaliero simulato.

Contributi Chiave

1. Modello addestrato localmente: Lo studio presenta una CNN addestrata esclusivamente su dati di un ospedale nazionale di riferimento ugandese, affrontando le specifiche caratteristiche di imaging e i vincoli di risorse della regione.
2. Affidamento su imaging di routine: A differenza di molti modelli di IA per l'ictus avanzati, questo sistema opera esclusivamente su scansioni TC senza contrasto, la modalità più accessibile nei paesi LMIC, piuttosto che richiedere perfusione o angiografia.
3. Deployment integrato: La ricerca va oltre gli algoritmi sperimentali fornendo una piattaforma funzionale basata su browser con un'API RESTful, progettata per l'uso da parte di personale sanitario non tecnico.
4. Validazione in un contesto con risorse limitate: Lo studio convalida che un'elevata accuratezza diagnostica è raggiungibile in contesti con limitata competenza radiologica, offrendo uno strumento potenziale per il triage rapido.

Significatività e Rivendicazioni
Gli autori affermano che il sistema integrato offre un'accuratezza diagnostica paragonabile a quella di un radiologo senior, pur fornendo i risultati in modo significativamente più veloce. Lo studio suggerisce che tale piattaforma ha un potenziale promettente per supportare il triage dell'ictus e ridurre i ritardi diagnostici in contesti in cui la scarsità di radiologi specialisti è un problema critico. Gli autori sottolineano che il sistema affronta l'ostacolo critico del ritardo nella diagnosi durante l'assistenza d'emergenza.

Tuttavia, il documento mantiene un tono modesto riguardo al suo impatto attuale. Gli autori dichiarano esplicitamente che la piattaforma non è ancora stata sottoposta a deployment clinico live ed è stata testata solo in un ambiente simulato con dati anonimizzati. Essi riconoscono le limitazioni, tra cui la natura monocentrica dei dati, la mancanza di caratteristiche di interpretabilità visiva (ad esempio, heatmap) e l'assenza di feedback strutturato dagli utenti finali. Di conseguenza, gli autori concludono che una validazione multicentrica ulteriore e un'implementazione pilota nel mondo reale sono necessari prima che possa essere raccomandato un deployment su larga scala.