Uno studio dimostra come l’intelligenza artificiale può aiutare i radiologi nella diagnosi tramite ultrasuoni del tumore al seno e ad evitare le biopsie nei casi che si rivelano benigni.
Lo studio (accessibile su Nature qui), che è stato realizzato dai ricercatori del Dipartimento di Radiologia della NYU Langone Health e del Laura and Isaac Perlmutter Cancer Center, è uno dei più grandi del suo genere, coinvolgendo 288.767 esami ecografici di 143.203 donne trattate negli ospedali NYU Langone di New York City tra il 2012 e il 2018.
Il cancro al seno è la principale causa di morte per tumore tra le donne in tutto il mondo. Identificare il cancro al seno in una fase iniziale, prima delle metastasi, consente trattamenti più efficaci e quindi migliora significativamente i tassi di sopravvivenza. La mammografia è la tecnica di imaging più utilizzata per lo screening e la diagnosi precoce del cancro al seno, ma ha dei limiti. In particolare, per le donne con tessuto mammario denso, la sensibilità della mammografia scende dall’85% al 48-64%. Questo limite rappresenta uno svantaggio significativo, poiché le donne con un seno estremamente denso hanno un rischio 4 volte maggiore di sviluppare il cancro al seno.
Bisogna poi considerare che la mammografia non è sempre accessibile, specialmente in ambienti con risorse limitate, dove l’alto costo delle attrezzature è proibitivo e non sono disponibili tecnici e radiologi qualificati.
Per queste ragioni l’ecografia gioca un ruolo importante nella diagnosi del cancro al seno, sia come modalità supplementare alla mammografia, sia come modalità di imaging primario in alcuni ambiti, ad esempio la valutazione delle anomalie del seno palpabili.
L’ecografia può aiutare a valutare ulteriormente e caratterizzare le masse mammarie ed è quindi frequentemente utilizzato per eseguire biopsie mammarie guidate dall’immagine. L’ecografia ha diversi vantaggi rispetto ad altre modalità di imaging, tra cui il costo più basso, la mancanza di radiazioni ionizzanti e la capacità di valutare le immagini in tempo reale. In particolare l’ecografia è particolarmente efficace nel distinguere masse mammarie solide da lesioni cistiche piene di liquido ed è in grado inoltre di rilevare i tumori oscurati sulla mammografia.
L’interpretazione dell’ecografia mammaria è però un compito impegnativo. I radiologi valutano le immagini utilizzando diverse caratteristiche tra cui le dimensioni della lesione, la forma, il margine, l’ecogenicità, le caratteristiche acustiche posteriori e l’orientamento, che variano significativamente tra le pazienti. Con questi criteri determinano se i risultati delle immagini sono benigni, necessitano di un follow-up a breve termine o richiedono una biopsia in base al loro sospetto di malignità.
A causa della difficoltà di lettura delle immagini e dei risultati che variano fortemente in base al medico che le interpreta, l’uso dell’ecografia mammaria è stata criticata per l’aumento del numero di falsi positivi. Rispetto alla sola mammografia, l’aggiunta dell’ecografia nello screening del carcinoma mammario porta a un ulteriore 5-15% di pazienti che vengono richiamate per un’ulteriore diagnostica per immagini e a un ulteriore 4-8% di pazienti sottoposte a biopsia. Tuttavia, solo il 7-8% delle biopsie sollecitate dall’ecografia di screening sono in grado di identificare i tumori.
Queste ragioni hanno spinto i ricercatori a sviluppare un sistema di intelligenza artificiale (IA) utilizzando il NYU Breast Ultrasound Dataset composto da 5.442.907 immagini all’interno di 288.767 esami mammografici (compresi sia gli esami di screening che quelli diagnostici) raccolti da 143.203 pazienti esaminate tra il 2012 e il 2019 presso la NYU Langone Health di New York, USA.
Il sistema ospedaliero NYU Langone si estende su più siti in tutta New York City e Long Island, consentendo l’inclusione di una popolazione di pazienti diversificata.
Il set di dati comprendeva 28.914 esami associati a un evento patologico, e tra questi, la biopsia o l’intervento chirurgico ha dato risultati benigni e maligni per 26.843 e 5593 seni, rispettivamente. I pazienti nel set di dati sono stati divisi a caso in un set di allenamento (60%) che è stato utilizzato per l’addestramento del modello, un set di convalida (10%) che è stato utilizzato per la regolazione degli iperparametri, e un set di test interno (30%) che è stato utilizzato per la valutazione del modello. Ogni paziente è stato inclusa in uno solo dei tre set.
Sul set di test interno di 44.755 esami ecografici di 25.003 pazienti, il sistema di IA ha raggiunto un AUROC (Area sotto le caratteristiche operative del ricevitore) di 0,976 nell’identificazione dei seni con lesioni maligne. Il sistema ha dimostrato un’elevata accuratezza diagnostica tra tutti i gruppi di età, densità mammaria e produttori di elettrografi.
Il sistema ha migliorato la capacità dei radiologi di identificare correttamente il cancro al seno del 37% e ha ridotto il numero di campioni di tessuto, o biopsie, necessari per confermare i tumori sospetti del 27%.