Diagnosi di diabete più facili con l’Intelligenza artificiale


Con l’Intelligenza artificiale, ricercatori sono stati in grado di identificare i primi segni di diabete di tipo 2 sulle scansioni TC addominali

Il diabete di tipo 2 rappresenta una minaccia maggiore per la salute oculare: probabilità quasi doppia di favorire lo sviluppo di retinopatia diabetica

Utilizzando un modello di deep learning di intelligenza artificiale completamente automatizzato, i ricercatori sono stati in grado di identificare i primi segni di diabete di tipo 2 sulle scansioni TC addominali, secondo uno studio retrospettivo appena pubblicato sulla rivista Radiology.

Il diabete di tipo 2 colpisce circa il 13% degli adulti statunitensi e un ulteriore 34,5% soddisfa i criteri per il prediabete. A causa della lenta insorgenza dei sintomi, è importante diagnosticare la malattia nelle sue fasi iniziali. Alcuni casi di pre-diabete possono durare fino a 8 anni e una diagnosi precoce può consentire ai pazienti di modificare adeguatamente lo stile di vita per contrastare la progressione della malattia.

L’imaging TC addominale può essere uno strumento promettente per diagnosticare il diabete di tipo 2, già ampiamente impiegato nella pratica clinica e in grado di fornire una quantità significativa di informazioni sul pancreas. Studi precedenti hanno dimostrato che i pazienti con diabete tendono ad accumulare più grasso viscerale e all’interno del pancreas rispetto ai non diabetici. Tuttavia non sono ancora stati studiati a fondo il fegato, i muscoli e i vasi sanguigni intorno al pancreas, ha affermato il co-autore senior dello studio Ronald Summers, radiologo presso il National Institutes of Health Clinical Center di Bethesda, nel Maryland.

«L’analisi delle caratteristiche sia pancreatiche che extra-pancreatiche è un approccio nuovo e, per quanto ne sappiamo, non è stata oggetto di studio» ha aggiunto il primo autore Hima Tallam.

Risultati come nell’analisi manuale
L’analisi manuale delle immagini TC pancreatiche senza mezzo di contrasto a basse dosi da parte di un radiologo o di uno specialista qualificato è un processo difficile che richiede tempo. Per affrontare queste sfide cliniche è necessario migliorare l’analisi automatizzata delle immagini del pancreas, hanno scritto gli autori.

Per questo studio retrospettivo hanno utilizzato un set di dati di pazienti sottoposti a screening di routine con TC del cancro del colon-retto presso la University of Wisconsin Hospital and Clinics. Dei quasi 9.000 pazienti sottoposti a screening tra il 2004 e il 2016, 572 avevano ricevuto una diagnosi di diabete di tipo 2 e 1.880 presentavano disglicemia, ovvero livelli di zucchero nel sangue troppo bassi o troppo elevati. Non c’era sovrapposizione tra diabete e diagnosi di disglicemia.

Per costruire il modello di deep learning, i ricercatori hanno utilizzato un totale di 471 immagini ottenute da diversi set di dati, tra cui Medical Data Decathlon, The Cancer Imaging Archive e la Beyond Cranial Vault challenge. Le immagini sono state quindi suddivise in tre sottoinsiemi: 424 per l’addestramento, 8 per la convalida e 39 per i test. I ricercatori hanno incluso anche i dati di quattro cicli di apprendimento attivo.

Il modello ha mostrato risultati eccellenti, senza alcuna differenza rispetto all’analisi manuale. Oltre alle varie caratteristiche pancreatiche, il modello ha anche analizzato il grasso viscerale, la densità e i volumi dei muscoli e degli organi addominali circostanti.

Diabete associato alla quantità di grasso nel pancreas e nell’addome 
I risultati hanno mostrato che i pazienti con diabete avevano una densità del pancreas inferiore e una maggiore quantità di grasso viscerale rispetto ai pazienti senza diabete.

«Abbiamo scoperto che il diabete era associato alla quantità di grasso all’interno del pancreas e dell’addome dei pazienti» ha spiegato Summers. «Più grasso c’era in queste due posizioni, più era probabile che i pazienti avessero il diabete per un periodo di tempo più lungo».

I migliori predittori del diabete di tipo 2 nel modello finale includevano la percentuale di grasso intrapancreatico, la dimensione frattale del pancreas, la gravità della placca a livello delle vertebre L1-L4, l’attenuazione media della TC epatica e l’indice di massa corporea (BMI). Il modello di deep learning ha utilizzato questi predittori per distinguere con accuratezza i pazienti con e senza diabete.

«Questo studio è un passo verso un uso più ampio di metodi automatizzati per affrontare le sfide cliniche» hanno concluso gli autori. «Potrebbe anche fornire informazioni alla ricerca futura sui motivi dei cambiamenti che si verificano nelle caratteristiche morfologiche del pancreas nei pazienti con diabete. Ci auguriamo che i biomarcatori CT qui esaminati possano informare la diagnosi delle fasi iniziali del diabete di tipo 2 e consentire ai pazienti di apportare modifiche allo stile di vita per alterare il decorso della malattia».

Bibliografia

Tallam H et al. Fully Automated Abdominal CT Biomarkers for Type 2 Diabetes Using Deep Learning. Radiology. 2022 Apr 5;211914. 

Leggi