In situazioni di emergenza come quella dovuta al Covid-19 che ha caratterizzatole nostre vite nei mesi precedenti, prendere decisioni sbagliate può comportare danni molto più seri rispetto a errori commessi in condizioni normali. Questo discorso è tanto valido nel business quanto a maggior ragione nel campo della salute, dove una scelta tardiva o poco lucida può compromettere la sopravvivenza di un paziente.
Diversi studi dimostrano come condizioni di stress compromettano l’affidabilità e l’accuratezza delle decisioni. A mettere sotto pressione il decisore possono essere, ad esempio, la scarsità di tempo a disposizione, l’importanza di una scelta o altri fattori emotivi. Tutte condizioni a cui i medici degli ospedali impegnati nella lotta all’epidemia di coronavirus sono stati loro malgrado sottoposti per diverse settimane.
Oltre a epidemiologi, medici di terapia intensiva e infermieri, il ruolo dei radiologi è stato più che mai determinante nella lotta al Covid. La radiografia ai polmoni è infatti uno dei primi checkpoint a cui il paziente viene sottoposto per diagnosticare la patologia e valutare la terapia più adeguata.
Le condizioni di stress, l’ingente volume di esami da valutare e l’esperienza limitata di alcuni giovani medici chiamati a dare il loro contributo, hanno in molti casi rallentato il processo di diagnosi e la conseguente selezione del trattamento.
L’Intelligenza Artificiale può costituire un valido aiuto per i medici incaricati della lettura delle radiografie ai polmoni grazie ad algoritmi di image recognition e classificazione applicati alle radiografie al torace.
Sono in corso diversi studi in questo ambito e tanti sono già stati condotti in passato su altre patologie che interessano l’apparato respiratorio. Per dare prova empirica delle potenzialità di tale approccio, in occasione del Congresso europeo di radiologia tenutosi a Vienna nel 2019, è stato condotto un interessante esperimento durante il quale alcuni giovani radiologi si sono confrontati con un algoritmo di Intelligenza Artificiale in grado di classificare la presenza o meno di una determinata patologia polmonare.
Nello specifico, è stata sottoposta all’intelligenza artificiale una radiografia ai polmoni che presentava un caso di pneumotorace, anche detto collasso polmonare, precedentemente individuato da un team di radiologi esperti. Una diagnosi corretta di tale patologia può richiedere diverse ore, e nei casi più gravi, se non trattata tempestivamente può essere fatale.
L’algoritmo si è dimostrato in grado di classificare correttamente la presenza del collasso polmonare.
La stessa immagine diagnostica è stata poi mostrata al gruppo di giovani radiologi, ai quali sono state presentate quattro possibili diagnosi, di cui soltanto una corretta. “Solo” il 74,8% dei partecipanti ha risposto correttamente.
Questo risultato può erroneamente far pensare che in un futuro non tanto lontano la figura del medico possa essere messa in discussione o addirittura sostituita da software e algoritmi. Infatti, come sostiene Roberto Grassi, professore universitario e Presidente della Società italiana di radiologia medica e interventistica (Sirm):
“L’AI non sostituisce il medico radiologo, ma è uno strumento di ausilio alla stesura del referto. La sua potenza, infatti, sta nel fatto che è in grado di elaborare una grande quantità di dati in brevissimo tempo”.
Noi di BID sposiamo in pieno questo approccio e siamo convinti che il ruolo della tecnologia sia di supportare l’uomo e non di sostituirlo, in una logica di collaborazione uomo-macchina e piuttosto che di competizione.
Il tema dell’Intelligenza Artificiale applicato alla diagnostica per immagini è diventato di così grande interesse negli ultimi anni che anche i nostri esperti ci si sono confrontati. A tal proposito, vi proponiamo uno studio condotto da un nostro collega, dove viene dimostrato come algoritmi di Machine Learning e Deep Learning possano essere di aiuto ai medici nell’identificazione della presenza di infiltrazioni polmonari, una delle diagnosi più complesse con cui i radiologi hanno a che fare.
Lo studio è stato condotto su oltre 90.000 radiografie frontali del torace RGB e ha visto l’applicazione di tre diversi approcci algoritmici (vedi figura sottostante), messi poi a confronto per valutarne le performance.
Parliamone insieme!