L’intelligenza Artificiale, comunque modelli che sfruttano questo strumento, superano le capacità umane nel leggere con maggiore accuratezza ed efficacia le immagini ecografiche per una eventuale diagnosi di tumore ovarico.
Sono queste le conclusioni di uno studio internazionale del Karolinska Institutet, in Svezia, pubblicato su Nature Medicine.
I tumori ovarici
Sono tra le neoplasie femminili più critiche, perché spesso asintomatiche, quindi localizzate tardivamente o diagnosticate casualmente nel corso di altre indagini. Pertanto ad oggi, il tumore ovarico si associa a scarsa efficacia/ridotti trattamenti, in assenza di screening dedicati.
Individuare strumenti e strategie per superare questi limiti è una priorità scientifica dove l’Intelligenza Artificiale (IA) si affaccia come un potenziale strumento.
Tra le maggiore criticità rilevate nella diagnosi del tumore ovarico vi è la carenza di esperti di ecografia in molte parti del mondo, che riportano in gran parte a interventi non necessari come anche a diagnosi di cancro tardive: l’IA può venire in soccorso alle expertise umane, potenziandole.
I ricercatori svedesi hanno infatti sviluppato e convalidato modelli di reti neurali, basati sul deep learning, in grado di distinguere tra lesioni ovariche benigne e maligne, avendo addestrato e testato l’IA su oltre 17.000 immagini ecografiche di 3.652 pazienti in 20 ospedali in otto paesi.
In questo studio retrospettivo multicentrico internazionale, i ricercatori hanno messo pertanto a confronto in un modello di convalida incrociato (leave-one-center-out cross-validation scheme), per ogni centro a turno, la capacità diagnostica, ovvero di lettura di immagini ecografiche dei modelli con un ampio gruppo di esperti e di esaminatori ecografici meno esperti.
I risultati
I modelli di IA hanno hanno mostrato una superiorità maggiore, in termini di sistemi ecografici, diagnosi istologiche e fasce di età dei pazienti, rispetto a esaminatori esperti e non esperti nell’identificare il cancro ovarico, raggiungendo un tasso di accuratezza dell’86,3%, rispetto all’82,6% degli esaminatori esperti e al 77,7% dei non esperti.
Inoltre, in una simulazione di triage retrospettiva, il supporto diagnostico basato sull’IA ha ridotto la necessità di referral agli esperti del 63%, superando significativamente le prestazioni diagnostiche della pratica attuale.
In conclusione
I modelli di reti neurali potrebbero offrire un prezioso supporto nella diagnosi del cancro ovarico, soprattutto nei casi difficili da diagnosticare.
I modelli basati sui trasformatori, cioè di apprendimento automatico che funzionano elaborando i dati di input, mostrano una forte generalizzazione e un’accuratezza diagnostica superiore a quella degli esperti umani, con il potenziale di alleviare la carenza di esaminatori ecografici esperti e migliorare i risultati per i pazienti.
Fonte
Christiansen F, Konuk E, Ganeshan RA et al. International multicenter validation of AI-driven ultrasound detection of ovarian cancer. Nature Medicine 2025. Link: https://www.nature.com/articles/s41591-024-03329-4
