È facile descrivere l’Intelligenza Artificiale (IA) come la tecnologia del futuro alla base della quarta rivoluzione industriale: da molti è considerata la scienza in grado di modellare i prossimi decenni e di portare i cambiamenti più significativi alla nostra società. E’ invece più difficile entrare nei meandri delle reti neurali e del deep learning per spiegare chiaramente come questi concetti stiano influenzando la nostra vita e come potranno ulteriormente stravolgerla nei prossimi decenni. La domanda che quindi ci dobbiamo porre è: ma con quali reali benefici clinici?
Cos’è l’intelligenza artificiale?
Nata come ramo dell’Informatica, si comincia a parlare di IA alla fine degli anni 60 del secolo scorso, con software sofisticati capaci di apprendere dai dati reali e modificare le proprie decisioni sulla base dell’esperienza acquisita, proprio come gli esseri umani (Figura 1).
Negli ultimi decenni l’IA ha permesso di introdurre nelle macchine delle capacità tipiche del comportamento umano, come la capacità di prendere decisioni basate non solo sulla logica ma anche sull’apprendimento, e di risolvere i problemi in modo diverso a seconda del contesto, imparando dai propri errori.
Le modalità di apprendimento di una macchina
L’Intelligenza Artificiale è prima di tutto Scienza, che permette di concepire; ma è anche Ingegneria, che permette di costruire macchine intelligenti che sfruttano la tecnica del Machine Learning, cioè la capacità degli algoritmi software di imparare dai dati reali.
Come può una macchina ragionare come un umano, migliorando le proprie capacità e le prestazioni in base ai dati che ha analizzato?
Esistono tre tipi di diverso apprendimento della macchina1:
- Supervised Learning: alla macchina vengono fornite informazioni ed esperienze già confezionate, che costituiscono un database da cui attingere in base all’input che la macchina riceve (ad esempio, nel caso di riconoscimento di oggetti, la macchina dispone di un database di immagini a cui deve associare l’oggetto da riconoscere);
- Non-Supervised Learning: alla macchina vengono fornite informazioni non codificate, senza cioè che venga fornito un esempio della loro applicazione o del risultato atteso. La macchina ha più libertà di scelta, ma deve organizzare da sola le informazioni e scegliere le opzioni migliori per il risultato (ad esempio: le tecniche di imaging diagnostico, in cui la macchina analizza enormi quantità di dati e cerca di associarli in cluster, identificando anomalie e patologie);
- Reinforcement Learning: la macchina è in grado di migliorare il proprio apprendimento e di capire il contesto dell’ambiente circostante grazie a sensori o telecamere, adattandosi all’ambiente (come un’automobile senza pilota che adatta il proprio viaggio agli input dei sensori).
Le reti neurali
Per imparare, la macchina può utilizzare gli algoritmi delle reti neurali.
Le reti neurali imitano il comportamento dell’umano nell’apprendimento e permettono alle macchine di imparare dai dati reali, senza il bisogno di essere riprogrammate.
Una rete neurale2 è modellata basandosi sulle caratteristiche del cervello umano (Figura 2). Consiste di migliaia o addirittura milioni di semplici nodi di elaborazione densamente interconnessi. La maggior parte delle reti neurali odierne è organizzata in strati di nodi ed è “feed-forward“, cioè i dati si muovono attraverso di esse in una sola direzione.
Come funziona una rete neurale?
Un singolo nodo potrebbe essere connesso a più nodi nel livello sottostante, da cui riceve i dati, e più nodi nel livello soprastante, a cui invia i dati. A ciascuna delle sue connessioni in entrata, un nodo assegnerà un numero noto come “peso”.
Quando la rete è attiva, il nodo riceve un numero diverso su ciascuna delle sue connessioni, e lo moltiplica per il peso associato. Quindi somma i prodotti risultanti, ottenendo un singolo numero. Se quel numero è inferiore a un valore di soglia, il nodo non trasmette dati al livello successivo, viceversa il nodo “si attiva”.
Le reti neurali hanno bisogno di un training per adattare i pesi dei nodi e modificarli, permettendo alle macchine di apprendere e migliorare le loro prestazioni, senza bisogno di un aggiornamento.
L’Intelligenza Artificiale applicata alla Medicina
L’IA ha pian piano invaso la nostra vita quotidiana con applicazioni nel campo della Robotica, nel settore Automobilistico, nella Teoria dei Giochi e nella Medicina.
I potenziali benefici clinici in Medicina sono evidenti: diagnosi precise, flussi di lavoro semplificati, migliore accessibilità ai servizi di cura, maggiore conoscenza della popolazione di pazienti.
In effetti, le principali applicazioni dell’IA attualmente utilizzate sono nella diagnostica e nei dispositivi indossabili, in virtù delle quantità di dati a disposizione degli Specialisti da elaborare e da cui imparare.
Alcuni esempi di algoritmi diagnostici basati sull’IA si trovano nel riconoscimento delle aritmie dai tracciati elettrocardiografici (ECG), nella diagnosi per le colonscopie e nella diagnosi veloce del glaucoma.
Riconoscimento della fibrillazione atriale parossistica
Nel caso di utilizzo dell’IA in ambito cardiologico, ciò avviene in molti scenari per ripetere e riprodurre azioni o ragionamenti normalmente fatti dai medici, come riconoscere una malattia in un’immagine o classificare dei segnali.
Ma l’ambito più interessante è quello che prevede invece che l’IA fornisca intuizioni nell’analisi dei dati che non erano previste, ricavando dei pattern da enormi quantità di dati multidimensionali.
Un esempio è stato ottenuto dai ricercatori della Mayo Clinic che, utilizzando una rete neurale allenata con più di 600000 ECG, hanno mostrato che è possibile riconoscere la “firma elettrocardiografica” di una fibrillazione atriale parossistica in 10 secondi di tracciato ECG standard a 12 derivazioni, ricavato durante il normale ritmo sinusale. Di fatto questo strumento permette di effettuare uno screening veloce in un’ampia popolazione ad un basso costo (Figura 3).3
Riconoscimento dei polpi intestinali
Diagnosi supportate da algoritmi basati sull’IA trovano la loro applicazione anche nella caratterizzazione dei polpi intestinali durante la colonscopie4.
Di questi algoritmi ne abbiamo parlato anche qui: Tumore al colon-retto: diagnosi più precisa con l’intelligenza artificiale, approvato il primo dispositivo
inoltre, dei ricercatori della Showa University Northern Yokohama Hospital hanno rivisto risultati di diversi studi colonscopici, ovvero esami ottici utilizzati per diagnosticare il tumore al colon. Gli endoscopisti devono infatti prendere spesso decisioni in real-time ed effettuare trattamenti durante l’esame endoscopico stesso: i trattamenti possono essere endoscopici o chirurgici a seconda del tipo di lesione riscontrata e della profondità superficiale nello strato di mucosa sottostante.
Grazie ad algoritmi di riconoscimento basati sull’IA è possibile facilitare la diagnosi di lesione intestinale da parte dell’endoscopista.
L’unica condizione è che ci sia una collaborazione stretta tra il medico e gli sviluppatori di questi strumenti diagnostici, per facilitare la trasmissione delle informazioni sul corretto utilizzo e la consapevolezza delle potenzialità dell’IA in questo campo.
Per garantire ai medici uno strumento affidabile e sicuro è fondamentale portare a termine studi clinici ad hoc finalizzati a stabilire le performance e a determinare la sicurezza dell’uso dell’IA.
Riconoscimento rapido del glaucoma
Un’altra applicazione clinica dell’IA è il riconoscimento del glaucoma, una condizione patologica in cui la pressione intraoculare aumenta all’interno dell’occhio, fino ad esercitare pressione sul nervo ottico.
Se il nervo ottico viene sottoposto a questa condizione per un periodo di tempo prolungato, può provocare danni permanenti e danni alla vista.
Il glaucoma può essere trattato con i farmaci, ma prima di tutto deve essere diagnosticato da un oftalmologo con un esame che dura circa 30 minuti o durante una visita specialistica.
Il prof. Dinesh Kulmar del Royal Melbourne Institute of Technology ha invece sviluppato un metodo5 basato sull’IA, sul presupposto che il glaucoma altera la reazione della pupilla sottoposta alla luce. Il software sviluppato dal team di ricercatori misura come la pupilla si adatta alla luce ambientale, riuscendo a rilevare minuscoli cambiamenti nella dimensione della pupilla in soli 10 secondi, senza compromettere l’accuratezza dell’esame. Questa scoperta permetterebbe la diagnosi precoce del glaucoma con un esame rapido e poco invasivo.
E’ tutto oro quello che luccica?
Ci sono due aspetti cruciali da considerare quando si parla di Intelligenza Artificiale in Medicina:
- il potenziale bias statistico introdotto dal modello utilizzato per allenare l’algoritmo di IA;
- il bias di automazione causato dall’utilizzo del modello da parte dei medici.
Per quanto riguarda il bias statistico, è fondamentale chiedersi quali dati sono stati utilizzati per allenare l’algoritmo di IA. Sono dati rappresentativi della popolazione o contengono elementi di distorsione del modello: ad esempio, sono stati scelti pazienti con prognosi peggiore?
Nel caso di bias di automazione invece, la naturale tendenza umana a prestare minore attenzione ai risultati di processi automatici quando si è sotto pressione rappresenta un potenziale bias: questo avviene perché l’utilizzatore tende a dare maggiore importanza a un risultato prodotto in modo automatico rispetto ad altre fonti, persino rispetto alla propria esperienza (Figura 4).
Conclusioni
E’ evidente la necessità di utilizzare sempre più algoritmi basati sull’IA, visti i benefici clinici e i vantaggi economici per i pazienti e per i medici. Allo stesso tempo è però anche necessario validare i modelli di IA in modo prospettico e direttamente in ambito clinico attraverso studi clinici multicentrici, prima di farli entrare nella normale pratica clinica. Si rende necessaria anche la standardizzazione degli strumenti utilizzati per monitorare le prestazioni dei sistemi basati sull’IA, così da riconoscere e discriminare quelli veramente utili.
Come richiesto dalla Food & Drug Administration americana (FDA)6, i produttori di Dispositivi Medici che lavorano con algoritmi di IA devono garantire un approccio che copra l’intera vita del prodotto, con un monitoraggio periodico sulle prestazioni real-world e su eventuali modifiche agli algoritmi di IA.
Solo così la Medicina potrà trarre reali benefici clinici dall’utilizzo della IA.
Fonti e approfondimenti
- ScienceDirect1 – Application of artificial intelligence in wearable devices: Opportunities and challenges
- News MIT2 – Explained: Neural networks
- Cardiology Journal3 – Clinical applications of artificial intelligence in cardiology on the verge of the decade
- Translational Gastroenterology and Hepatology4 – Artificial intelligence and computer-aided diagnosis for colonoscopy: where do we stand now?
- IEEE Spectrum5 – New AI Test Diagnoses Glaucoma in Just 10 Seconds
- Fda.gov6 – Artificial Intelligence and Machine Learning in Software as a Medical Device
