Immaginate di dover diagnosticare una malattia polmonare complessa senza poter attingere alle tecnologie più avanzate e più adatte agli esami di secondo livello. Immaginate ora se un comune ecografo potesse rilevare una condizione complessa, generalmente non diagnosticabile in questo tipo di esame, abbattendo le barriere tecnologiche ed economiche. Qui entra in gioco uno studio condotto presso diversi ospedali italiani con l’obiettivo di testare le performance di diagnosi di un medico poco esperto con l’ausilio di un “ecografo intelligente”.
Da dove nasce l’esigenza di rendere “intelligente” l’ecografo?
L’ecografia polmonare (LUS, i.e.: Lung Ultrasound) è uno strumento molto utile per identificare le malattie dei polmoni e monitorarne l’andamento, specialmente dopo la pandemia di COVID-19. Tuttavia, per una corretta interpretazione delle immagini ecografiche, è necessaria molta esperienza da parte del medico specialista. Infatti la HRCT (High-Resolution Computed Tomography) resta il gold standard nel campo dell’imaging polmonare, ma è costosa, ingombrante e scarsamente disponibile.
Negli ultimi anni si sta studiando l’integrazione di algoritmi di AI nella lettura delle immagini mediche, in modo da supportare anche il personale medico meno esperto nell’individuare correttamente le lesioni nei tessuti. Una ricerca condotta con la collaborazione dei poli universitari e i centri di ricerca di Lecce, Roma e Pavia ha verificato l’efficacia di un ecografo “smart” nel riconoscere e dare un punteggio di gravità alla malattia interstiziale1 rispetto quello assegnato da un medico esperto. Lo studio ha coinvolto in totale 556 pazienti, tra volontari sani e pazienti con infezioni polmonari.
In questa sede, l’ecografo di riferimento è un modello SensUS Lung, dispositivo fabbricato dalla ditta italiana Amolab Srl2 e implementato con il un software capace di analizzare l’immagine ecografica ed estrarne i parametri utili a computare il grado di stadiazione della patologia polmonare.
La scala LUS nella classificazione della patologia
Per comprendere in che modo l’intelligenza artificiale analizzi un polmone patologico, è necessario chiarire innanzitutto quali segni ecografici vengono ricercati.
Nell’ecografia polmonare, il polmone sano – essendo ricco di aria – non è visualizzabile direttamente; l’immagine ecografica è costituita principalmente da artefatti generati dall’interazione tra gli ultrasuoni e la superficie pleurica, rappresentati dalle linee A.
Le linee B rappresentano invece artefatti verticali iperecogeni (i.e.:, che riflettono più ultrasuoni rispetto al resto dei tessuti) che originano dalla linea pleurica e si estendono fino al fondo dello schermo senza attenuarsi. La loro presenza indica una riduzione del contenuto aereo alveolare e un aumento della componente fluida o fibrotica nello spazio interstiziale.
L’incremento del numero e della densità delle linee B è correlato a una progressiva perdita di aerazione polmonare. Quando tali artefatti tendono a confluire si parla di linee B coalescenti, configurando il quadro del cosiddetto polmone bianco.
I consolidamenti polmonari rappresentano invece aree in cui il tessuto ha perso quasi completamente il contenuto aereo, assumendo un aspetto ecografico solido simile a quello del parenchima epatico, fenomeno noto come epatizzazione. Queste regioni possono essere espressione di polmonite interstiziale avanzata, processi infettivi o fibrosi severa. All’interno dei consolidamenti è possibile osservare strutture iperecogene puntiformi o lineari.
Come funziona SensUS Lung?
Il sistema SensUS Lung (Figura 1) integra un software basato su intelligenza artificiale (Lung 193), progettato per riconoscere e quantificare proprio le A-lines e le B-lines (i due indicatori chiave della salute del polmone), alla tecnologia di ecografia polmonare tradizionale. Testato su centinaia di esami effettuati in pazienti ricoverati per COVID-19, lo strumento ha dimostrato buone prestazioni nel distinguere il polmone sano da quello patologico e nel supportare la valutazione della gravità della malattia. Questa innovazione apre nuove prospettive per una diagnostica più rapida e oggettiva, riducendo la dipendenza dall’esperienza dell’operatore e migliorando la gestione clinica delle patologie respiratorie.
Protocollo di acquisizione e analisi delle immagini ecografiche
Durante l’acquisizione dell’immagine ecografica, l’operatore viene guidato dal software attraverso un protocollo standardizzato (Figura 2). Il torace viene inizialmente suddiviso in 14 zone toraciche, 7 per ciascun lato4. Per ogni area il medico esegue una scansione doppia, muovendo la sonda sia in senso longitudinale sia trasversale. Nel corso di questa procedura, l’algoritmo acquisisce e analizza i dati, raccogliendo per ciascuna zona un totale di ventiquattro fotogrammi, 12 per ogni direzione di scansione.
L’algoritmo non si limita a interpretare l’immagine – come farebbe un osservatore umano, ma scompone il segnale video attraverso procedure matematiche avanzate (fase di segmentazione). In particolare, applica filtri morfologici per isolare le strutture visive tipiche delle patologie polmonari, che il modello ha appreso a valle di un training eseguito su una solida base di dati clinici, studiando pazienti affetti da polmonite interstiziale da COVID-19.
Successivamente, utilizza soglie per analizzare la distribuzione geometrica dei pixel, distinguendo i riflessi fisiologici da quelli patologici. In questo modo, il sistema esegue un riconoscimento automatico dei pattern, identificando segni caratteristici, quali: linee B isolate (multiple o coalescenti), aree di consolidamento di diversa estensione, linee A (indicative di un polmone ben aerato), eventuale versamento pleurico. In questa fase vengono estratti i parametri utili al calcolo del Pneumonia Score – i.e.: indice della gravità della polmonite – che assume valori da 0 a 4 (più è alto, più la patologia è stabilizzata).
Pneumonia Score
- 0: assenza della malattia e quindi un polmone sano, caratterizzato da linee A e assenza di artefatti verticali;
- 1: stadio iniziale, con presenza di meno di 3 linee B focali;
- 2: stadio intermedio, caratterizzato da linee B diffuse e multifocali;
- 3: stadio avanzato, con linee B diffuse/multifocali, consolidamenti subpleurici iniziali e pattern di white lung;
- 4: condizione severa/di picco, ovvero uno stadio molto grave della malattia, con linee B diffuse e consolidamenti polmonari conclamati.
Questi punteggi vengono quindi utilizzati dal programma per calcolare il Lung Staging – i.e.: stadiazione globale della malattia interstiziale – considerando il valore massimo dello Pneumonia Score riscontrato tra tutte le zone toraciche esaminate in quella specifica sessione.
L’esperimento: ground truth vs “smart”
Le immagini ecografiche sono state analizzate da un ecografista esperto, a cui è stato chiesto di assegnare un punteggio secondo la scala Pneumonia Score, da cui calcolare il Lung Staging. In parallelo, le stesse immagini sono state analizzate da Lung 19, che ha computato il Lung Staging.
Durante la fase di acquisizione, tutti i partecipanti dello studio hanno compilato un questionario clinico-epidemiologico e sono stati sottoposti a ecografia polmonare (LUS).
Per evitare il bias del dato, il medico ha effettuato la valutazione senza conoscere i risultati prodotti dal software. Le sue interpretazioni sono state quindi considerate come riferimento (ground truth) e utilizzate per valutare e validare le prestazioni dell’ecografo “intelligente”. Infatti, il metodo utilizzato per valutare la bontà dell’algoritmo si basa sul confronto diretto con le valutazioni dell’operatore ecografista esperto.
Risultati: come si comporta l’AI in questo dominio?
I risultati ottenuti sono stati molto promettenti. Il punteggio assegnato dall’intelligenza artificiale si è dimostrato almeno pari a quello del medico esperto, mostrando che l’AI è in grado di identificare correttamente il grado di rischio di malattia polmonare. Infatti, è stata osservata una correlazione tra i punteggi: all’aumentare del valore assegnato dall’algoritmo, cresceva proporzionalmente anche il punteggio attribuito dall’esperto.
Dalla Figura 3 emerge una forte concordanza diagnostica tra il sistema automatico e la valutazione clinica. Infatti, nella classificazione a 5 stadi, la barra più alta dell’istogramma corrisponde sempre allo stadio di appartenenza, indicando che il software classifica correttamente la maggior parte dei casi e la concordanza generale tra medico e algoritmo raggiunge l’80.6%.
Le discrepanze risultano invece limitate e di lieve entità. Quando il software commette un errore, tende generalmente a discostarsi di una sola classe rispetto alla valutazione del medico, fenomeno che si osserva soprattutto negli stadi iniziali o intermedi della malattia (i.e., nelle classi 1 e 2). Gli errori più rilevanti, come la confusione tra uno stadio lieve e uno molto severo con uno scarto di due o più classi, si verificano soltanto nell’1.8% dei casi.
Conclusioni
Lo studio conclude che la nuova tecnologia ecografica polmonare (LUS) basata su algoritmi automatici rappresenta uno strumento accurato per la diagnosi e la valutazione quantitativa della stadiazione della polmonite. Superando la necessità di affidarsi esclusivamente a ecografisti altamente specializzati, il sistema offre un supporto decisionale oggettivo e standardizzato, fruibile anche da personale medico con minore esperienza o in formazione.
Integrando i vantaggi tipici dell’ecografia (portabilità, assenza di radiazioni, risultati in tempo reale) con un’acquisizione guidata e un’analisi automatizzata, il dispositivo si rivela ideale per l’uso rapido al triage, nelle terapie intensive, in ambulanza o per l’assistenza domiciliare.
