Interstiziopatia polmonare: un algoritmo di intelligenza artificiale potrebbe ridurre la necessità del ricorso a biopsie polmonari a fini diagnostici
L’adozione di un algoritmo di deep learning è in grado di migliorare, rispetto alla valutazione visiva, le predizione all’imaging mediante Tc della diagnosi istopatologica di interstiziopatia polmonare (ILD). Queste le conclusioni di uno studio pubblicato su CHEST che suggeriscono come il ricorso all’intelligenza artificiale (AI) possa rivelarsi alternativo alle biopsie polmonari invasive nei pazienti affetti da ILD.
Razionale e disegno dello studio
La fibrosi polmonare idiopatica (IPF) rappresenta una forma progressiva, spesso fatale di ILD, caratterizzata dall’’assenza di una causa nota e dl riscontro di un pattern di polmonite usuale interstiziale (UIP) all’imaging mediante Tc e/o all’istopatologia. Distinguere il sottotipo UPI/IPF da altri sottotipi di ILD è di particolare importanza in ragione dei diversi trattamenti e della prognosi.
La biopsia polmonare è notoriamente necessaria quando i dati non invasivi si rivelano insufficienti per confermare una data diagnosi.
L’obiettivo del nuovo studio è stato quello di verificare se fosse possibile migliorare la diagnosi non invasiva di UIP in base alla predizione dell’istopatologia di ILD mediante scansioni Tc ricorrendo ad un algoritmo di deep learning, un modello di intelligenza artificiale in grado di “… percepire pattern che il sistema visivo umano non è in grado di percepire (…) e di rilevare differenze sottili o impercettibili nei modelli di imaging tra i sottotipi di ILD, che possono essere difficili da riscontrare anche tra esperti altamente qualificati.
Lo studio, avente un disegno retrospettivo, ha incluso 1.239 pazienti (età media 62 anni; 49% donne) con ILD patologicamente accertata e sottoposti a Tc del torace.
Ciascun caso è stato classificato in base alla diagnosi istopatologica (cioè UIP o non UIP) ed è servito per “addestrare” un modello personalizzato di deep learning in grado di predire la diagnosi istopatologica in base ai referti di imaging Tc in un set di addestramento (n = 894), successivamente validato in un set esterno di pazienti (n=198).
Inoltre, due radiologi con esperienza nel campo hanno provveduto a classificare manualmente ogni referto di Tc nel set esterno, utilizzando le linee guida 2018 dell’American Thoracic Society sulla IPF.
I ricercatori hanno confrontato le prestazioni del modello con quelle dei radiologi nella previsione della classe istopatologica utilizzando la curva AUC come metrica primaria.
Risultati principali
Dai risultati è emerso che l’adozione di un algoritmo di deep learning ha fornito risultati migliori rispetto all’analisi visiva nel predire la diagnosi istopatologica, con un AUC di 0,87 (IC95%:0,82-0,92) vs. 0,8 (IC95%: 0,75-0,86; P = 0,03). Non solo: il deep learning ha battuto anche la valutazione dei radiologi nel set di pazienti esterno, con valutazioni comprese tra 0,7 e 0,78 (P < 0,05 per tutti).
Da ultimo, la riproducibilità del modello di deep learning è risultata significativamente migliore rispetto alla riproducibilità inter-rater e intra-rater dei radiologi.
Riassumendo
In conclusione, lo studio ha dimostrato come “…il modello di deep learning adottato si caratterizza per fornire migliori prestazioni diagnostiche rispetto alla valutazione visiva … assieme ad una maggiore riproducibilità – scrivono i ricercatori nelle conclusioni del lavoro.
“Questo modello, pertanto – aggiungono – potrebbe ridurre la necessità di ricorrere alla biopsia polmonare invasiva nei pazienti con pattern di imaging TC UIP atipici o meno evidenti, con risultati altrettanto affidabili”.
Bibliografia
Bratt A, et al. Predicting Usual Interstitial Pneumonia Histopathology From Chest CT Imaging With Deep Learning. CHEST. 2022; doi:10.1016/j.chest.2022.03.044.
Leggi