Diagnostica potenziata basata su immagini multi-sorgente per la diagnosi precoce del cancro
Il nostro Pilot, supportato dall’Università di Milano Bicocca (Hub) e coordinato dall’Università di Bergamo (Spoke), è gestito dal punto di vista scientifico, prevalentemente dall’Università della Campania Luigi Vanvitelli e fa tesoro di importanti esperienze maturate nei precedenti anni sull’applicazione di metodiche di machine learning in ambito sanitario.
Le recenti crisi sanitarie hanno evidenziato il ruolo decisivo (purtroppo in senso negativo) che hanno giocato fattori come la carenza di personale sanitario, l’assente o carente digitalizzazione del dato sanitario e la carenza di infrastrutture dedicate; tutto ciò a contribuito alle note difficoltà gestionali pandemiche e non solo, ma soprattutto per ciò che riguarda il nostro ambito di ricerca, a un importante gap diagnostico oncologico, a liste di attesa interminabili e a un ritardo terapeutico che sta polesando un impatto sulla vita dei pazienti sempre più rilevante.
L’importante e storico investimento rappresentato dal PNRR ci ha permesso quindi di immaginare un ruolo per l’Intelligenza Artificiale e in particolare per le metodiche di Machine Learning applicate ad algoritmi basati su Convolutional Neural Networks (CNNs) applicate all’analisi dei dati e dell’imaging medicale oncologico: parliamo cioè di particolari algoritmi di Intelligenza Artificiale che emulano il processo logico della nostra attività neuronale, sviluppando così nel tempo un vero e proprio apprendimento (machine learning). Nel nostro caso il comportamento specifico da apprendere è la capacità di riconoscimento delle lesioni patologiche tumorali, offrendo così un supporto utile nel processo diagnostico nel nostro primo obiettivo operativo e riconoscendo la qualità delle anastomosi chirurgiche oncologiche nel nostro secondo obiettivo operativo.
L’applicazione dell’AI nell’imaging diagnostico oncologico non rappresenta certo l’innovatività della nostra idea progettuale: i dati prodotti da CNNs applicate alla diagnostica medica sono noti e soprattutto sempre più promettenti. Le conoscenze, derivate dalla letteratura scientifica e dalle nostre recenti esperienze, ha evidenziato in molti campi una capacità diagnostica straordinaria, sovrapponibile a quella di radiologi esperti e in alcuni casi già superiore per esami pesanti (TC, RNM, PetTC etc.); questa tipologia di esami si presta con difficoltà ad indagini diagnostiche in uno Screening, mentre l’ecografia per i bassi costi, la facile eseguibilità, per la nulla invasivita radiologica rappresenterebbe lo strumento ideale: l’applicazione di CNNs ad immagini ecografiche ha rappresentato però dei chiari limiti legati alla difficile standardizzazione della metodica e alla necessità di far lavorare l’AI su immagini bidimensionali (pixel). La nostra idea progettuale mira a creare una metodica di acquisizione standardizzabile e che lavori su un immagine tridimensionale proprio come la diagnostica radiologica pesante: avremo così una Computer Aided Diagnosis (CAD) basata non più su pixel, ma su pixel volumetrici (voxel). La trasferibilità è la potenziale analisi in rete del dato in real time consentirebbe un supporto diagnostico importante in qualsiasi ambito di screening oncologico. Abbiamo dedicato la nostra attenzione all’imaging diagnostico del cancro tiroideo, mammario e nell’interessamento linfonodale loco-regionale. Abbiamo esteso questo enhancement diagnostico anche nell’Endoscopia nella prevenzione del cancro del colon-retto e nella definizione intraoperatoria della vascolarizzazione delle anastomosi intestinali per definire la tenuta delle stesse. I dati preliminari sembrano già promettenti, sono iniziate le fasi di acquisizione ed analisi dei dati in diverso ambiti territoriali e tutto ci fa credere di riuscire nei tempi previsti a sviluppare una metodologia applicabile ed efficacie in uno Screening territoriale “intelligente”.