Un nuovo sistema di intelligenza artificiale progettato per interpretare in modo generale le Tac addominali con mezzo di contrasto ha superato i modelli di IA esistenti nel riconoscimento di un’ampia gamma di patologie, mantenendo prestazioni elevate anche nei casi di emergenza e nei test condotti in otto centri esterni. Il modello, chiamato RADAR, Rapid Abdominal Diagnosis with AI and Radiology, e’ stato sviluppato da Qi Zhang e colleghi e addestrato su 424.911 esami.
Nelle valutazioni su 146 reperti delle Tac addominali ha raggiunto un’AUC media di 0,913, contro 0,776 del migliore modello visione-linguaggio concorrente. I risultati sono pubblicati su Science. L’obiettivo di RADAR e’ affrontare uno dei problemi piu’ complessi nell’applicazione dell’intelligenza artificiale alla radiologia: passare da sistemi specializzati nel riconoscimento di singole condizioni a uno strumento generalista capace di fornire un supporto diagnostico su numerose possibili anomalie. La Tac addominale con mezzo di contrasto rappresenta una sfida particolarmente difficile.
L’interpretazione puo’ richiedere di esaminare decine di organi e di distinguere centinaia di possibili patologie, mentre le informazioni diagnosticamente importanti possono occupare soltanto una piccola parte delle immagini e devono essere interpretate tenendo conto della loro precisa posizione anatomica. Per affrontare il problema, Zhang e colleghi hanno utilizzato un modello visione-linguaggio, cioe’ un sistema capace di apprendere le relazioni tra le immagini mediche e le descrizioni testuali che le accompagnano. RADAR e’ stato pero’ costruito per analizzare la Tac anche in funzione delle singole strutture anatomiche. Il sistema e’ stato addestrato su 424.911 esami comprendenti 1,5 milioni di coppie immagine-testo e oltre 15 milioni di coppie specifiche per strutture anatomiche.
RADAR scompone infatti i volumi delle Tac nelle singole strutture anatomiche e le mette in relazione con le corrispondenti descrizioni presenti nei referti radiologici. Attraverso un sistema di apprendimento contrastivo su larga scala, il modello impara cosi’ ad associare le caratteristiche rilevate nelle immagini alle informazioni diagnostiche contenute nei testi. Nelle valutazioni interne ed esterne effettuate in piu’ centri medici e in differenti situazioni cliniche, RADAR ha ottenuto un’AUC media di 0,913 nell’identificazione di 146 reperti delle Tac addominali. Il migliore tra gli altri modelli visione-linguaggio utilizzati per il confronto si e’ fermato a 0,776.
L’AUC e’ una misura della capacita’ di un modello di distinguere tra casi positivi e negativi: un valore pari a 1 rappresenterebbe una separazione perfetta, mentre 0,5 corrisponderebbe a una classificazione casuale. I ricercatori hanno messo alla prova RADAR anche in pronto soccorso, un contesto per il quale il sistema non era stato specificamente addestrato. Su oltre 27 mila Tac eseguite in emergenza il modello ha raggiunto un’AUC di 0,904. Secondo gli autori, le prestazioni sono rimaste elevate considerando organi e patologie differenti e anche nel riconoscimento di reperti meno comuni. Un altro test ha riguardato la capacita’ del sistema di funzionare su dati diversi da quelli utilizzati per svilupparlo. Nelle coorti provenienti da otto centri esterni, con pazienti, contesti clinici e protocolli di imaging differenti, RADAR ha mantenuto un’AUC di 0,895.
Il risultato e’ particolarmente rilevante per la possibilita’ di generalizzare un sistema di IA radiologica oltre l’ambiente nel quale e’ stato addestrato. Le differenze tra apparecchiature, protocolli e popolazioni di pazienti possono infatti ridurre le prestazioni di algoritmi sviluppati su un singolo insieme di dati. RADAR non viene tuttavia presentato come un sostituto del radiologo. Lo studio valuta le prestazioni diagnostiche del modello su grandi raccolte di Tac e mostra la possibilita’ di utilizzare sistemi visione-linguaggio per costruire strumenti generalisti di supporto alla radiologia.
Il passaggio all’impiego clinico richiede di considerare le prestazioni del sistema nelle condizioni reali e il modo in cui le sue indicazioni vengono integrate nel lavoro dei medici. I risultati mostrano comunque che un unico modello puo’ affrontare contemporaneamente un numero elevato di reperti addominali e mantenere prestazioni elevate anche passando a centri e scenari clinici differenti, avvicinando l’IA radiologica all’obiettivo di sistemi generalisti capaci di assistere gli specialisti nell’interpretazione complessiva di un esame.
