Per la prima volta è stato applicato con successo un modello di intelligenza artificiale chiamato “di apprendimento temporale” in contesto clinico. Il modello è riuscito a predire con accuratezza le recidive di tumori cerebrali infantili dopo l’intervento chirurgico analizzando le immagini acquisite nel tempo dallo stesso paziente (immagini longitudinali).

Lo studio, retrospettivo, è stato svolto dai Ricercatori del Mass General Brigham (affiliato ad Harvard) e collaboratori del Boston Children’s Hospital e del Dana-Farber/Boston Children’s Cancer and Blood Disorders Center sulle scansioni cerebrali di bambini con gliomi di basso e alto grado, dopo intervento chirurgico. I loro risultati sono stati pubblicati su The New England Journal of Medicine AI e rappresentano un primo passo per la validazione del modello.

Il problema: prevedere le recidive nei tumori rari infantili

Come spiega l’autore corrispondente Benjamin Kann, MD, del Programma di Intelligenza Artificiale in Medicina (AIM) presso Mass General Brigham: «Per questi tumori rari è molto difficile prevedere chi può essere a rischio di recidiva; quindi, i pazienti si sottopongono a frequenti controlli con risonanza magnetica per molti anni. Abbiamo bisogno di strumenti migliori per identificare precocemente quali pazienti sono a più alto rischio di recidiva».

La metodologia: un dataset di 30 anni e quasi 4.000 scansioni

I ricercatori hanno raccolto quasi 4.000 scansioni di risonanza magnetica e dati clinici da 715 pazienti pediatrici provenienti da tre istituzioni  (681 pazienti con glioma di basso grado e 34 con glioma di alto grado) trattati in passato (in un periodo di circa 30 anni) e hanno analizzato queste scansioni storiche sapendo già quali pazienti avevano effettivamente sviluppato recidive e quali no.

L’innovazione: l’apprendimento temporale applicato all’imaging medico

La strategia di Ai utilizzata in questo studio è chiamata “apprendimento temporale” (temporal learning), un approccio di apprendimento deep learning auto-supervisionato (self-supervised learning o SSL) specificatamente progettato per l’analisi di immagini mediche longitudinali. Un approccio inizialmente sviluppato in altri campi (il paper cita l’analisi video per auto a guida autonoma), ma questo studio rappresenta la sua prima applicazione all’imaging medico longitudinale.

L’aspetto innovativo risiede nel fatto che il modello analizza più scansioni, a differenza di modelli che analizzano singole scansioni, e che è stato pre-addestrato sul compito di prevedere se una sequenza di scansioni cerebrali era in ordine cronologico corretto o meno. Il modello ha così imparato a focalizzare l’attenzione sulle aree clinicamente rilevanti (cavità tumorali e chirurgiche) e a riconoscere sottili cambiamenti temporali che potrebbero indicare una potenziale recidiva. Poiché alcuni cambiamenti possono essere benigni, correlati alla guarigione post-chirurgica, o dovuti ad altri fattori, il modello ha dovuto imparare a distinguere quali cambiamenti erano predittivi di recidiva e quali no.

Risultati impressionanti: accuratezza tra il 75% e l’89%

Il modello di apprendimento temporale è stato in grado di prevedere se un paziente avrebbe avuto una recidiva del tumore cerebrale (sia glioma di basso che di alto grado) entro un anno dal trattamento, basandosi su immagini acquisite nei mesi successivi all’intervento chirurgico, con un’accuratezza che varia dal 75% all’89%.

Quando hanno testato l’approccio standard, che utilizza solo una singola immagine per fare previsioni, i ricercatori hanno scoperto che questo metodo tradizionale ha un’accuratezza di circa il 50%, che è equivalente a fare una previsione completamente casuale. Il modello Ai ha previsto quindi il rischio di recidiva con un’accuratezza fino al 39% migliore rispetto al metodo tradizionale.

Efficienza operativa: bastano 4-6 scansioni consecutive

Gli autori dello studio hanno notato che non sarebbero necessarie numerose risonanze magnetiche di un paziente. Spiegano Kann e colleghi: «L’analisi dei vari data set ha rivelato che il modello ha raggiunto la massima performance predittiva quando si sono raggiunte circa 4-6 scansioni consecutive e poi si è stabilizzata. L’aggiunta di ulteriori scansioni continua a migliorare la performance, ma con incrementi sempre più piccoli».

Vantaggi clinici: interventi precoci e personalizzazione delle terapie

Riguardo i vantaggi dell’impiego del modello, gli autori dello studio affermano che «la stratificazione del rischio a breve termine può fornire una finestra d’azione per un intervento precoce con terapia sistemica, radiazioni o arruolamento in trial clinici nei pazienti ad alto rischio di recidiva”. Con l’avvento di nuove terapie mirate per i gliomi con alterazioni genetiche associate al gene BRAF, circa il 50%, “un modello di previsione del rischio potrebbe informare se e quando iniziare la terapia».

Negli ultimi anni sono stati sviluppati farmaci efficaci nei gliomi pediatrici recidivanti o refrattari con alterazioni BRAF, con potenziale minore tossicità rispetto alle chemioterapie convenzionali. «I medici potrebbero considerare un intervento precoce con questi inibitori BRAF/MEK, potenzialmente prima che la recidiva sia clinicamente evidente». Al contrario, nei pazienti con rischio proiettato basso, il modello può fornire rassicurazione e la capacità di ridurre l’intensità dei regimi di sorveglianza.

Potenziali applicazioni future: oltre i gliomi pediatrici

Ma i ricercatori richiamano la potenziale applicazione anche per altre patologie: «Il framework di apprendimento temporale è adattabile a qualsiasi compito di imaging medico longitudinale, posizionandolo per un ampio impatto sulla sorveglianza delle malattie e la gestione personalizzata». Tuttavia, ricordano, è necessario un lavoro futuro per validare prospetticamente il framework in una varietà di scenari di imaging longitudinale e per studiare i suoi effetti sul processo decisionale e sui risultati dei pazienti.

Lo studio presenta dei limiti, ammettono gli autori: «È retrospettivo in natura e soggetto a bias di selezione riguardo ai pazienti inclusi, ai modelli di trattamento istituzionali, alle pianificazioni di sorveglianza e alla variabilità nei parametri di acquisizione della risonanza magnetica». Questi modelli devono essere testati in studi prospettici (dove i pazienti vengono seguiti in tempo reale) prima dell’implementazione nella pratica clinica.