L'intelligenza artificiale potrà predire accuratamente il rischio di avere un tumore del polmone?

Negli ultimi anni, sono state prodotte importanti evidenze a sostegno dell’efficacia dello screening per il tumore del polmone nei soggetti a rischio per la storia di fumo.

Gli studi inizialmente condotti con la radiografia del torace non avevano dimostrato un significativo beneficio a favore dello screening, mentre risultati nettamente più convincenti sono stati ottenuti con l’impiego della TAC. Come già discusso su Oncotwitting (https://www.oncotwitting.it/patologia-polmonare/screening-per-il-tumore-del-polmone-sono-maturi-i-tempi), i dati di letteratura hanno documentato un beneficio dello screening mediante TC spirale a basse dosi in termini di riduzione della mortalità per tumore del polmone, nei soggetti a rischio sulla base dell’età e della storia di fumo.

Gli autori dell’articolo pubblicato dal Journal of Clinical Oncology hanno lavorato a uno strumento di “deep learning” che consenta di personalizzare la quantificazione del rischio di una successiva diagnosi di tumore del polmone sulla base di una singola TC a basse dosi.
Il deep learning è una delle metodologie più interessanti dell’intelligenza artificiale, e consiste nell’apprendimento di dati che non sono forniti dall’uomo, ma sono appresi grazie all’utilizzo di algoritmi di calcolo statistico.

Il modello oggetto dello studio, chiamato Sybil, è stato sviluppato usando i dati delle TC a basse dosi impiegate nell’ambito del National Lung Screening Trial (NLST).
Lo strumento è molto interessante perché si basa sui soli dati radiologici della TC, senza necessità di integrazione con dati clinici o con interpretazioni da parte del radiologo.
Lo strumento è stato validato su 3 dataset indipendenti: un dataset di 6282 TC nell’ambito del NLST, un secondo dataset di 8821 TC del Massachusetts General Hospital (MGH), e un terzo dataset di 12280 TC del Chang Gung Memorial Hospital di Taiwan (CGMH). Quest’ultimo includeva soggetti eterogenei per storia di fumo, inclusi non fumatori.

L’accuratezza del test è stata misurata mediante curva ROC, scegliendo come outcome la diagnosi di tumore del polmone a 1 anno. Come noto, la curva ROC si basa sulla valutazione della sensibilità (capacità di identificare correttamente i casi positivi, evitando i falsi negativi) e della specificità (capacità di identificare correttamente i casi negativi, evitando i falsi positivi). Clinicamente, un falso negativo corrisponde a una inappropriata rassicurazione, un falso positivo ingenera inappropriata ansia nonché necessità di ulteriori esami in realtà non necessari. Di conseguenza, un test efficiente deve caratterizzarsi per buoni valori sia di sensibilità che di specificità.

L’analisi predittiva non si è limitata all’anno successivo all’esecuzione dell’esame, ma ha preso in considerazione i 6 anni successivi.