La digitalizzazione e l’automazione stanno entrando in maniera sempre più preponderante nella vita delle persone, in ambito lavorativo e non. In questi ultimi anni si può constatare un avvento di quest’ultime anche nel mondo dell’Healthcare in generale, a partire dai trattamenti chirurgici e ortopedico-riabilitativi, fino ad arrivare alla prevenzione e alla diagnostica di base. Proprio in quest’ultimo ambito, in molte strutture sanitarie, è già stata avviata una vera e propria “rivoluzione tecnologica”, iniziata con la costituzione delle cartelle elettroniche e della telemedicina. Ma non solo.
Il 2014 ha segnato il punto di svolta nella medicina predittiva: Google ha acquistato Deep Mind, una società inglese nata nel 2011 e sviluppatrice di algoritmi per la creazione di Intelligenze Artificiali (AI). Tramite l’acquisizione dei dati dei pazienti inglesi, Google ha cercato di sviluppare algoritmi in grado di effettuare diagnosi più precoci e dettagliate. Su questa direttrice si è così evoluto il progresso tecnologico per la prevenzione delle malattie e la valutazione dei profili sanitari in maniera ottimale. Inizialmente, questa linea di sviluppo ha avuto un ristretto campo di applicazione limitato al mondo dei dispositivi “wearable” e dei laboratori di ricerca, in attesa di un’approvazione da parte delle amministrazioni sanitarie per poter entrare all’interno di un contesto clinico-ospedaliero. Il clima di diffidenza da parte delle istituzioni era dovuto al fatto che il trattamento di dati “precisi”, come immagini di casi patologici, fosse del tutto rilegato alle decisioni prese in tutta autonomia da parte delle AI. Così facendo non si lasciava il benché minimo margine di errore, togliendo conseguentemente la possibilità di intervento al personale medico in merito e abbassando la soglia del cosiddetto “Risk Management” nella gestione dei casi ospedalieri.
Ma nel 2017, in America, è stata approvata da parte degli organi istituzionali l’introduzione di un AI, detta Arterys Cardio, in grado di aiutare la prevenzione delle malattie cardiovascolari e di supportare i radiologi stessi nella corretta interpretazione delle immagini derivanti dalle MRI del cuore dei pazienti, il tutto all’interno di una struttura sanitaria.
Ciò ha dato una svolta, permettendo così anche ad altre aziende lo sviluppo di altre AI applicabili in contesti clinico-ospedalieri. Una di queste è l’ID-DR elaborata da Michael Abramoff di IDx azienda anch’essa statunitense; il progetto era già stato sviluppato e completato nel 2011, ma il suo effettivo in ospedale fu ritardato a causa della problematica sopracitata. Rispetto a quanto fatto con l’Arterys per il cuore, l’ID-DR era la sola adibita alla valutazione delle immagini derivanti da esami oftalmici, delegittimando così ogni intervento da parte del personale medico. In seguito è stato integrato il meccanismo di deep learning (basato su algoritmi di segmentazione), alle valutazioni di specialisti, per l’analisi e la scelta delle immagini sulle quali effettuare il training delle reti neurali convoluzionali (CNN) e per la valutazione finale dei casi. In tal modo è stato possibile prevenire puntualmente delle malattie riferite alla zona oculare di difficile diagnosi anche tramite esami grafici, da parte degli stessi oculisti (a causa delle dimensioni ridotte dell’occhio). Analizziamo quindi quali sono le patologie oggetto della prevenzione tramite AI.
“Prevenire è meglio che curare”
Questo sistema è in grado di diagnosticare anticipatamente ben tre malattie di natura oculare: retinopatia diabetica, glaucoma e la degenerazione maculare legata all’età. Esse sono tutte cause di possibile ipovisione o cecità i cui sintomi non sono di facile individuazione. Vediamole nel dettaglio:
Retinopatia Diabetica
È una grave complicanza del diabete mellito sia di tipo 1 che di tipo 2; in quest’ultimo caso rappresenta l’avvento della patologia stessa, quindi la diagnosi rappresenta una parte fondamentale per intervenire in merito. Colpisce la retina ed è causa d’ipovisione e di cecità. Questi danni associati al diabete sono generalmente evitabili con una corretta prevenzione, cioè controllando periodicamente il livello della glicemia in base al grado dello scompenso: non è quindi solo il valore assoluto della glicemia in sé a influire ma soprattutto le sue variazioni quotidiane. Dunque la causa principale è la presenza di un diabete mal controllato che, nel tempo, porta allo sviluppo di alterazioni dei piccoli vasi sanguigni fino a creare dei veri e propri sfiancamenti (detti microaneurismi) e la conseguente trasudazione della parte liquida del sangue (plasma) in prossimità della regione maculare (ovvero il centro della retina). La malattia progredisce lentamente provocando danni da prima reversibili che diventano progressivamente irreversibili. Il problema fondamentale rimane il fatto che questa patologia può presentarsi come un calo progressivo della vista fino all’ipovisione e alla cecità, ma non è sempre così; in molti casi rimane priva di sintomi riscontrabili da parte della persona che ne è potenzialmente affetta, portandola ad essere diagnosticata a stadi ormai avanzati e manifestandosi direttamente come un drastico e improvviso calo dell’acuità visiva.
Glaucoma
Il glaucoma è una malattia oculare data dalla pressione interna dell’occhio troppo elevata; si stima che ne siano affette almeno 55 milioni di persone nel mondo. Essa è la seconda causa di cecità dopo la cataratta. Al contrario di quest’ultima, dove attraverso le operazioni chirurgiche si passa alla diretta risoluzione del problema, il glaucoma è la prima causa irreversibile. In Italia si stima che colpisca circa un milione di persone e analogamente a quanto accade per la retinopatia, è una patologia quiescente: non presenta dunque sintomi oggettivi e senza effettuare visite oculistiche periodiche complete non si riesce ad individuarla. La disabilità visiva provocata si può prevenire sempre, purché la malattia sia diagnosticata e curata tempestivamente. In condizioni normali all’interno dell’occhio è presente un liquido (umore acqueo) che viene continuamente prodotto e riassorbito; a fronte di una parziale ostruzione dei canali di riassorbimento, si ha un incremento di pressione intraoculare che a lungo andare danneggia il bulbo fino a intaccare la testa del nervo ottico (che si trova nella zona centrale della retina). Il danneggiamento anche lieve di quest’ultimo si può paragonare all’interruzione di corrente di un filo (ovvero le sinapsi neuronali) dei milioni che costituiscono un cavo elettrico, rappresentante il vero e proprio nervo ottico. Ciascuno di essi trasporta le immagini relative a una parte del campo visivo: le trasduzioni di questi segnali bioelettrici vanno a costituire l’immagine nella sua interezza. L’aumento della pressione danneggia irreparabilmente i neuroni adibiti al trasporto del segnale, a partire da quelli responsabili della visione periferica fino a quella centrale.
Quindi chi ne è affetto continua a vedere l’oggetto che fissa, ma non si accorge della riduzione progressiva del campo visivo laterale. Le cause del glaucoma sono sia di natura genetico-congenita che derivanti da patologie come il diabete, che causano delle trombosi retiniche nei canali di riassorbimento dell’umore acqueo, responsabili della degradazione visiva.
Degenerazione maculare legata all’età
Dall’espressione “degenerazione maculare”, si comprende che è una malattia retinica che provoca una riduzione della funzionalità della zona centrale della retina (la macula) fino a una perdita della visione centrale. Dal nome si intuisce che uno dei fattori causanti è proprio l’invecchiamento cellulare e la progressiva morte dei fotorecettori presenti sul fondo della retina (cioè i coni e bastoncelli, responsabili della polarizzazione cromatica e messa a fuoco dell’immagine). Risulta così essere un’importante causa d’ipovisione. I sintomi iniziali consistono in una distorsione delle immagini che interessa il centro del campo visivo, difficoltà nella lettura e attività a distanza ravvicinata e perdita della brillantezza dei colori. Non provoca, anche nei casi più gravi, la cecità totale in quanto la visione paracentrale e periferica vengono conservate. Rimane comunque una patologia fortemente invalidante, che può avere anche gravi ripercussioni sul piano psicologico.
La complessità dell’AI semplifica le cure
Fortunatamente, l’incidenza dell’ ultima patologia descritta, è rara prima dei 55 anni ma aumenta soprattutto dopo i 75. Contrariamente, nel caso del glaucoma e della retinopatia, le tempistiche con le quali si presentano i sintomi variano a seconda della gravità della malattia che ne è responsabile (come il diabete) e/o dai fattori di rischio del soggetto (le condizioni di vita). Le conseguenze alle quali convergono sono più gravose rispetto alla degenerazione maculare: la diagnosi precoce difficile, i lunghi tempi di disponibilità ed elaborazione delle strumentazioni ospedaliere, non fanno altro che compromettere ulteriormente la salute del paziente e precludere la possibilità agli specialisti di occuparsi tempestivamente della malattia.
L’ID-DR sviluppata da Michael Abramoff nasce appunto con l’obiettivo di poter evitare la malattia stessa e non essere un semplice aiuto per un trattamento post- diagnostico; come scritto nella pagina ufficiale dell’azienda:
“Nel 1997, il Dr. Michael Abramoff, il fondatore di IDx, lavorava come esperto di oftalmologia in una clinica nei Paesi Bassi. Un giorno, un paziente entrò nella sua stanza d’esame e si presentò come un artista. Mostrò ad Abramoff una pila di schizzi su cui aveva lavorato nella sala d’attesa e si lamentò che la sua vista offuscata cominciava a interferire con il suo disegno. Dopo aver esaminato gli occhi del paziente, Abramoff diagnosticò una retinopatia diabetica grave. La malattia aveva già progredito fino a che la perdita della vista del paziente sarebbe stata permanente.
Quando Abramoff chiese perché l’artista non fosse entrato prima, il paziente spiegò di aver chiesto un appuntamento più di un anno prima. Questo era “il più presto possibile” con il quale la clinica riuscì a farlo entrare. Nel suo lungo tragitto dal lavoro a casa, quella notte Abramoff rifletté su quanto tempo avesse trascorso a esaminare i pazienti senza malattie, mentre un uomo che stava diventando cieco doveva aspettare mesi per essere diagnosticato.
Questo è così inefficiente, pensò. Deve esserci un modo migliore.
Frustrato, Abramoff, che aveva una precedente formazione in intelligenza artificiale e sviluppo software, iniziò a cercare modi per automatizzare il processo di screening delle persone con diabete.”
Ad oggi la soluzione di screening di retinopatia diabetica automatizzata ideata da Abramoff anni prima ha così ricevuto l’approvazione per l’inserimento nell’ambito clinico-ospedaliero. Come già evidenziato questa AI svolge il ruolo di supervisore, in aiuto agli specialisti di oftalmologia, nell’analisi delle immagini provenienti dalle strumentazioni diagnostiche usate per le patologie citate, diminuendo le tempistiche di intervento in merito. Gli esami strumentali interessati da questa integrazione con l’AI sono in particolare la fluoroangiografia e l’OCT (Tomografia Oculare Computerizzata).
Il primo è un esame che consente di visualizzare e fotografare in rapida successione gli aspetti dell’emodinamica oculare retinica e le relative alterazioni tissutali; viene eseguita mediante la somministrazione endovenosa di un colorante (la fluoresceina sodica) la quale permette di evidenziare in maniera specifica le alterazioni della circolazione retinica. Quindi è particolarmente indicata per tutte le vasculopatie e in particolare le retiniti diabetiche.
L’OCT invece è una tecnica diagnostica non invasiva che consente la visualizzazione di sezioni trasversali della retina ad alta risoluzione (circa 10 micron) utilizzando per l’acquisizione delle scansioni, un raggio di luce di lunghezza d’onda nel vicino infrarosso (845 nm). Le scansioni acquisite sono successivamente integrate da un computer che le mostra allo specialista con una scala a falsi colori, nei quali i colori più chiari (dal rosso al bianco) corrispondono a zone ad alta riflettività ottica ed i colori più scuri (dal blu al nero) corrispondono a zone a bassa riflettività. Le differenti colorazioni dell’immagine OCT corrispondono alle differenti proprietà ottico-fisiche del tessuto in esame. Consente quindi una dettagliata esplorazione, attraverso riflessioni e rifrazioni dei vari strati attraversati dall’infrarosso, del polo posteriore dell’occhio, analizzando così la morfologia retinica e lo spessore dei collegamenti sinaptici del nervo ottico. L’OCT trova impiego dunque nella diagnosi e nella valutazione in particolare del danno glaucomatoso.
Di nuova generazione è l’Angio OCT, tecnica in grado di sfruttare scansioni acquisite ad elevata risoluzione che, mediante nuovi algoritmi, è in grado di visualizzare le strutture vascolari retiniche evitando l’utilizzo di mezzi di contrasto diagnosticando contemporaneamente retinopatie e glaucomi. Sulla base di queste strumentazioni diagnostiche Abramoff ha sviluppato degli algoritmi detti “di segmentazione” per l’ID-DR, in grado di riconoscere anticipatamente, in base alle immagini degli screening forniti, gli eventuali sintomi di tutte le patologie in esame.
Generalmente un’immagine digitale di uno screening generico contiene diversi oggetti: il sistema di visione dell’AI (nel nostro caso l’ID-DR) opera dividendo l’immagine fornitagli, in regioni differenti, ognuna delle quali include solo uno degli oggetti acquisiti da analizzare. Dunque l’algoritmo che ne è alla base isola i vari oggetti in regioni omogenee, dove tutti i pixel che corrispondono ad un oggetto sono raggruppati insieme: questo è definito “algoritmo di segmentazione”. Il raggruppamento dei pixel e la divisione in regioni sono correlati da un criterio di omogeneità che permette la distinzione tra quelle create; questi criteri possono essere: valori di similarità di attributi (colore, tessitura, ecc.) oppure valori di prossimità spaziale (distanza euclidea, ecc.). L’uso dei principi di similarità e di prossimità è motivato dal fatto che regioni omogenee, derivano dalla proiezione di punti dell’oggetto rappresentati da pixel spazialmente vicini e con valori simili di livelli di grigio. Nel nostro caso con l’OCT la similarità applicata dall’algoritmo dell’AI, è riferita a pixel aventi uno stesso di livello di colorazione in scala a falsi colori. Queste assunzioni sui criteri per il raggruppamento e identificazioni delle aree, generalmente non sono sempre valide: in diverse applicazioni è necessario integrare altre informazioni in relazione alla conoscenza a priori del contesto applicativo. Nel caso di nostro interesse l’integrazione consiste nella conoscenza del problema da parte degli specialisti, ma soprattutto nel training della rete neurale dell’AI, che attraverso il deep learning, le consente di saper “discriminare” quali immagini (derivanti dai mezzi diagnostici elencati) corrispondano ad eventuali casi patologici e quali no. In questo modo si ottiene la risposta da parte dell’AI, costituita da un raggruppamento di pixel costruito confrontando le regioni ipotizzate tramite l’algoritmo, con le regioni modellate a priori (ovvero immagini di casi patologici e non, forniti come vettori “peso”). Il discriminante dato dal confronto tra quest’ultime, produce un risultato che consente agli oftalmologi di poterlo interpretare meglio per prevenire in maniera precoce eventuali patologie.
Gli algoritmi di segmentazione basati sulla conoscenza globale o parziale dell’immagine da parte del calcolatore, sono definiti “Knowledge-based” e quello dell’ID-DR, come sopracitato, appartiene alla categoria. Nello specifico il processo avviene “mediante soglia” che consiste nel convertire i livelli di grigio di una immagine (a falsi colori in questo caso) in una immagine binaria: è il metodo più semplice, dove la soglia rappresenta quel range di valori elaborati, per i quali sia possibile distinguere e dunque assegnare, a dei livelli il valore “1” per i pixel appartenenti agli oggetti e “0” per i pixel appartenenti allo sfondo dell’immagine. L’uso di tale metodologia è motivato dal fatto che gli oggetti, proiettati in regioni omogenee dell’immagine, sono caratterizzati da una riflettività (o assorbimento della luce) quasi costante alla quale corrisponde un determinato livello di colorazione come nel caso del bulbo oculare. L’AI opera così un confronto diretto tra le aree identificate nell’analisi dell’immagine diagnostica, con quelle di precedenti casi acquisite a priori; l’esito sull’immagine dell’esame diagnostico effettuato avviene in tempi brevissimi.
Secondo una sperimentazione condotta su 900 pazienti, confrontando le diagnosi finali effettuate da un lato con ID-DR e personale medico preparato da 4 ore di training con l’AI, e specialisti con 10 anni di esperienza senza l’aiuto di ID-DR, si è potuto evidenziare che tramite l’AI in aiuto al personale l’accuratezza (e le tempistiche) consentivano una prevenzione più efficace.
Si può dunque immaginare un futuro concreto per la prevenzione anche di altre patologie e malattie ancora più gravi. Ad oggi le”possibilità” di evitare queste complicazioni prima che diventino problemi concreti, portano il nome di ID-DR e Arterys, ma non solo: merita una menzione speciale il sistema diagnostico EVA creato per l’assistenza medico-oncologica alle donne nei paesi dell’Africa orientale e meridionale. Esso consente, attraverso un sistema integrato con AI, di diagnosticare in tempo reale eventuali casi di tumore alla cervice, che hanno un’incidenza mortale dell’85% a livello mondiale e perlopiù nelle zone sovracitate, a causa della mancanza di strutture adatte alla prevenzione. Dunque l’obiettivo rimane sempre quello: migliorare la vita di tutti.
Il miglior modo per predire il futuro è inventarlo. (Alan Kay)
