Utilizzando reti neurali convoluzionali profonde, i ricercatori hanno escogitato un sistema che analizza rapidamente le immagini ad ampio campo della pelle dei pazienti al fine di rilevare il cancro in modo più efficiente.
Il melanoma è un tipo di tumore maligno responsabile di oltre il 70% di tutti i decessi correlati al cancro della pelle in tutto il mondo. Per anni, i medici si sono affidati all’ispezione visiva per identificare lesioni pigmentate sospette (SPL), che possono essere un’indicazione di cancro della pelle. Tale identificazione in fase iniziale di SPL nelle strutture di assistenza primaria può migliorare la prognosi del melanoma e ridurre significativamente i costi del trattamento.
La sfida è che è difficile trovare rapidamente e dare la priorità agli SPL, a causa dell’elevato volume di lesioni pigmentate che spesso devono essere valutate per potenziali biopsie. Ora, i ricercatori del MIT e altrove hanno ideato una nuova pipeline di intelligenza artificiale, utilizzando reti neurali convoluzionali profonde (DCNN) e applicandole all’analisi degli SPL attraverso l’uso della fotografia a campo ampio comune nella maggior parte degli smartphone e delle fotocamere personali.
I DCNN sono reti neurali che possono essere utilizzate per classificare (o “nominare”) le immagini per poi raggrupparle (come quando si esegue una ricerca di foto). Questi algoritmi di apprendimento automatico appartengono al sottoinsieme dell’apprendimento profondo.
Utilizzando telecamere per scattare fotografie ad ampio campo di vaste aree del corpo dei pazienti, il programma utilizza i DCNN per identificare e schermare rapidamente ed efficacemente il melanoma allo stadio iniziale, secondo Luis R. Soenksen, un postdoc e un esperto di dispositivi medici che attualmente agisce al MIT in Intelligenza Artificiale e Sanità. Soenksen ha condotto la ricerca con i ricercatori del MIT, compresi i membri della facoltà del MIT Institute for Medical Engineering and Science (IMES) Martha J. Gray, W. Kieckhefer Professore di scienze e tecnologia della salute, professore di ingegneria elettrica e informatica; e James J. Collins, Termeer Professore di ingegneria medica e scienza e ingegneria biologica.
Soenksen, che è il primo autore del recente articolo, “Using Deep Learning for Dermatologist-level Detection of Suspicious Pigmented Skin Lesions from Wide-field Images”, pubblicato su Science Translational Medicine, spiega che “La diagnosi precoce di SPL può salvare vite umane; tuttavia, l’attuale capacità dei sistemi medici di fornire screening cutanei completi su larga scala è ancora carente “.
Il documento descrive lo sviluppo di un sistema di analisi SPL utilizzando DCNN per identificare in modo più rapido ed efficiente le lesioni cutanee che richiedono ulteriori indagini, screening che possono essere eseguiti durante le visite di assistenza primaria di routine o anche dai pazienti stessi. Il sistema ha utilizzato i DCNN per ottimizzare l’identificazione e la classificazione degli SPL nelle immagini ad ampio campo.
Utilizzando l’intelligenza artificiale, i ricercatori hanno addestrato il sistema utilizzando 20.388 immagini ad ampio campo di 133 pazienti dell’ospedale Gregorio Marañón di Madrid, nonché immagini disponibili al pubblico. Le immagini sono state scattate con una varietà di normali fotocamere prontamente disponibili per i consumatori. I dermatologi che lavorano con i ricercatori hanno classificato visivamente le lesioni nelle immagini per il confronto. Hanno scoperto che il sistema ha raggiunto una sensibilità superiore al 90,3% nel distinguere gli SPL da lesioni non sospette, pelle e sfondi complessi, evitando la necessità di imaging di lesioni individuali ingombrante e dispendioso in termini di tempo. Inoltre, il documento presenta un nuovo metodo per estrarre la salienza della lesione intra-paziente (criteri del brutto anatroccolo o il confronto delle lesioni sulla pelle di un individuo che si distinguono dal resto) sulla base delle caratteristiche DCNN dalle lesioni rilevate.
“La nostra ricerca suggerisce che i sistemi che sfruttano la visione artificiale e le reti neurali profonde, quantificando questi segni comuni, possono ottenere un’accuratezza paragonabile a quella di dermatologi esperti”, spiega Soenksen. “Ci auguriamo che la nostra ricerca rivitalizzi il desiderio di fornire screening dermatologici più efficienti nelle strutture di assistenza primaria per guidare adeguati rinvii”. Ciò consentirebbe valutazioni più rapide e accurate di SPLS e potrebbe portare a un trattamento più precoce del melanoma, secondo i ricercatori.
Gray, autore senior dell’articolo, spiega come si è sviluppato questo importante progetto: “Questo lavoro è nato come un nuovo progetto sviluppato dai borsisti (cinque dei coautori) nel programma MIT Catalyst, un programma progettato per nucleare progetti che risolvono pressanti esigenze cliniche. Questo lavoro esemplifica la visione del devoto HST/IMES (in cui è stata fondata la tradizione Catalyst) di sfruttare la scienza per far progredire la salute umana “. Questo lavoro è stato sostenuto dalla Clinica Abdul Latif Jameel per l’apprendimento automatico nella salute e dalla Consejería de Educación, Juventud y Deportes de la Comunidad de Madrid attraverso il Consorzio Madrid-MIT M + Visión.
