L’introduzione della capsula endoscopica ingeribile nello scorso decennio ha rivoluzionato le procedure di endoscopia, riducendone notevolmente l’invasività. Recentemente, uno studio ha dimostrato come rendere questa tecnologia ancora più innovativa, affidabile e comoda per l’uso clinico integrandola con strumenti di intelligenza artificiale, facilitando il processo diagnostico dei professionisti.
La capsula endoscopica ingeribile
Sviluppata dall’azienda israeliana Given Imaging Ltd nel 2001 e considerata una delle più significative innovazioni della robotica medicale del decennio fra 2010 e 2020, la capsula endoscopica è un dispositivo medico che rende possibile una valutazione diagnostica non invasiva del tratto gastrointestinale. Si tratta di una capsula ingeribile monouso dalle dimensioni paragonabili alle classiche pillole farmaceutiche, che, attivamente o passivamente, percorre l’intero tratto digestivo del paziente (Figura 1).
Nonostante le sue dimensioni estremamente ridotte, una capsula endoscopica contiene una minuscola telecamera, luci LED, una batteria e un trasmettitore wireless per catturare migliaia di immagini ad alta risoluzione delle pareti gastrointestinali e trasmetterle a un ricevitore esterno al paziente. Da questo, viene estratto un lungo video che viene esaminato da un gastroenterologo.
Vantaggi e usi della capsula endoscopica: l’esplorazione dell’intestino tenue
Rispetto alle procedure endoscopiche tradizionali, che richiedono l’inserzione di lunghi endoscopi cablati nel lume dei pazienti, l’uso di una capsula per osservazioni endoscopiche elimina la necessità di sedazione del paziente e riduce i rischi di perforazione, infezione e lacerazione, riducendo al minimo l’invasività della pratica e rendendo possibile la sua effettuazione anche al di fuori di una clinica.
Inoltre l’uso di capsule endoscopiche consente l’attraversamento di tutto il tratto gastrointestinale, permettendo l’esplorazione di aree altrimenti difficili da raggiungere – come l’intestino tenue. Infatti, il principale uso clinico delle capsule endoscopiche è l’osservazione e l’identificazione di anomalie lungo le pareti dell’intestino tenue, che servono alla diagnosi di ulcere, polipi, lesioni vascolari sospette, morbo di Crohn.
Nonostante la fattibilità clinica dimostrata e le sue caratteristiche di minima invasività, le difficoltà legate all’uso di capsule endoscopiche riguarda la durata della valutazione dei video rilevati durante il transito per il tratto gastrointestinale e il rischio ad essa associato di una bassa accuratezza diagnostica.
Esaminare una lunga ripresa del lume gastrointestinale può essere un compito impegnativo e monotono, che richiede dai 50 ai 120 minuti di elevata concentrazione ad un gastroenterologo esperto: queste condizioni di esaminazione espongono al rischio di una riduzione dell’accuratezza nel riconoscimento delle anomalie presenti nei frame della ripresa.
Uso di reti neurali nell’imaging diagnostico
L’uso dell’intelligenza artificiale (IA), e in particolare l’uso delle reti neurali convoluzionali, o CNN, nell’imaging biomedico è un supporto significativo al processo diagnostico svolto dai medici. In particolare, le CNN sono uno strumento molto efficace per l’elaborazione delle immagini biomediche e, di conseguenza, per supportare il decision making diagnostico dei professionisti.
Cos’è una rete neurale convoluzionale?
In breve, una rete neurale convoluzionale è un’architettura matematica costituita da strati di nodi interconnessi come i neuroni. Tale rete, come il cervello umano, impara dai dati ricevuti in input a riconoscere pattern ricorrenti in essi.
Una CNN riceve in input dei dati che spesso sono i pixel di un’immagine biomedica complessa, come una radiografia, una risonanza magnetica o una TAC, e applica ad essa alcuni filtri (“kernel”), che rilevano caratteristiche come bordi, forme e texture superficiali. Questi filtri “convolvono” o “restringono” l’immagine, mantenendone le informazioni essenziali.
- Per saperne di più sulle reti neurali convoluzionali e una loro particolare applicazione biomedicale, abbiamo approfondito l’argomento in questo articolo.
CNN e diagnosi
Grazie all’estrapolazione di queste informazioni essenziali, la CNN è potenzialmente in grado di visualizzare e distinguere lesioni diverse presenti nell’immagine.
Figura 2. Schema della rete neurale convoluzionale utilizzata per il training di PillCam. Credits: Nature
Attraverso un processo di apprendimento, che avviene con la sottomissione alla rete di numerose immagini biomediche dello stesso tipo e dello stesso tessuto o organo, contenenti svariate tipologie lesioni, essa apprende riconoscendo schemi e caratteristiche distintive di ogni specifica lesione (Figura 2).
Al termine del processo di apprendimento, la rete neurale diventa capace di fare previsioni accurate sul tipo di lesione presente in una immagine che non ha mai visto prima.
Tale supporto tecnologico consente una classificazione preliminare delle lesioni riportate nelle immagini biomediche catturate dal tessuto o dall’organo di un paziente, riducendo potenzialmente il tempo che i medici impiegano nella valutazione diagnostica, e permette di individuare dettagli che potrebbero sfuggire all’occhio umano. In questo modo, l’AI non sostituisce i medici, ma li affianca, migliorando la tempestività e la qualità delle cure.
La capsula endoscopica “intelligente”: studi recenti
Si intuisce, quindi, come l’applicazione di strumenti di IA come le CNN possa avere un ruolo cruciale nello sviluppo tecnologico e la diffusione clinica della capsula endoscopica.
ProScan: la CNN per l’intestino tenue
Nel 2019, un gruppo di ricercatori cinesi della Huazhong University of Science and Technology ha sviluppato ProScan, un sistema basato su reti neurali convoluzionali con apprendimento dell’algoritmo su più di un milione di immagini endoscopiche intestinali (Figura 3).
La CNN di ProScan, una volta addestrata, si è dimostrata in grado di svolgere una selezione preliminare automatica estremamente accurata dei frame dei video registrati con capsule ingeribili, distinguendo tra loro diversi avvistamenti anomali come ulcere, polipi, lesioni sporgenti o parassiti.
Il sistema ProScan è stato in grado di fornire ai medici un video endoscopico più breve dell’originale, che conteneva esclusivamente le anomalie selezionate dalla rete convoluzionale, nascondendo frame irrilevanti.
Nel Maggio 2024 è stato pubblicato il primo studio prospettico e multicentrico finalizzato a dimostrare come l’uso del sistema ProScan installato su una capsula endoscopica per esplorazione dell’intestino tenue, NaviCam SB System (Ankon, China), guidi con successo la diagnosi dei gastroenterologi.
Il protocollo dello studio ha previsto che i pazienti selezionati venissero sottoposti a un’endoscopia gastrointestinale mediante capsula NaviCam SB system in diversi centri clinici europei, fra cui gli italiani Istituto Ospedaliero Fondazione Poliambulanza di Brescia, Policlinico Universitario A. Gemelli di Roma e Humanitas Research Hospital di Rozzano (MI).
I video acquisiti da NaviCam sono stati analizzati dai gastroenterologi dei centri coinvolti, con e senza la selezione preliminare del sistema ProScan. Per determinare l’accuratezza diagnostica di ciascuna delle due modalità di analisi, i video di tutti i pazienti sono stati valutati da una commissione di altri esperti gastroenterologi che ha definito la corretta classificazione e diagnosi delle lesioni contenute nelle immagini catturate.
I risultati dello studio hanno dimostrato che il supporto di uno strumento di IA come ProScan applicato ai video della capsula NaviCam implichi un aumento dell’accuratezza diagnostica da parte dei gastroenterologi, e, contemporaneamente, una velocizzazione del processo diagnostico.
Infatti, il numero di diagnosi corrette, cioè l’accuratezza diagnostica, e la percentuale rilevata di tutte le lesioni presenti nei video da parte dei gastroenterologi a seguito di analisi con supporto di ProScan è maggiore di quello ottenuto con una lettura senza l’applicazione del sistema ProScan. Inoltre, il tempo medio di analisi del video registrato da NaviCam, con l’azione preliminare di selezione dei frame da parte di ProScan, diminuisce di 9 volte. I risultati sono riassunti in Tabella 1.
| ANALISI VIDEO STANDARD | ANALISI VIDEO CON SUPPORTO DI PROSCAN | |
| 1) ACCURATEZZA DIAGNOSTICA | 98 diagnosi corrette su 105 pazienti | 83 diagnosi corrette su 105 pazienti |
| 2) PERCENTUALE LESIONI PRESENTI RILEVATE | 64,9% delle lesioni totali presenti visualizzate | 87,9% delle lesioni totali presenti visualizzate |
| 3) TEMPO MEDIO LETTURA VIDEO [min] | 33,7 | 3,8 |
Conclusioni
L’utilizzo di IA per il supporto dell’analisi diagnostica di immagini biomediche ha già ampiamente dimostrato di migliorare l’accuratezza e la velocità diagnostica in svariati campi di applicazione, contribuendo a innalzare l’affidabilità e la diffusione di strumentazioni innovative, e questa affermazione si estende anche alla sua applicazione nell’endoscopia mediante capsule ingeribili, come mostra lo studio multicentrico descritto.
Il sistema di IA ProScan ha elevato la capsula endoscopica ad un dispositivo diagnostico gastrointestinale controllabile, una capsula endoscopica “intelligente”, capace di supportare significativamente i professionisti nella diagnosi.
Il futuro della capsula endoscopica vedrà l’integrazione di sistemi di IA per l’elaborazione di immagini a nuove tecnologie microelettroniche: oltre all’individuazione di anomalie delle pareti, la capsula endoscopica diventerà in grado di rimuovere piccoli tratti lesionati dalla mucosa intestinale, portando le procedure di terapia endoscopica ad un nuovo livello di minimizzazione dell’invasività.
Fonti e approfondimenti
- Gastroenterologist – Level Identification of Small-Bowel Diseases and Normal Variants by Capsule Endoscopy Using a Deep-Learning Model;
- The Lancet – AI-assisted capsule endoscopy reading in suspected small bowel bleeding: a multicentre prospective study;
- Nature – Robotic wireless capsule endoscopy: recent advances and upcoming technologies;
- Nature – Wireless Capsule Endoscopy;
- Mayo Clinic – Capsule endoscopy;
- IBM – Cosa sono le reti neurali convoluzionali?
