Come ti sentiresti se un algoritmo potesse informarti di avere un cancro in base al tuo esame mammografico o alla TAC? \u00c8 molto probabile che in futuro, il lavoro creativo dei radiologi sar\u00e0 necessario per risolvere problemi impegnativi e per supervisionare le procedure diagnostiche. L’IA diventer\u00e0 assolutamente parte della loro routine nel diagnosticare i casi di base e nell’aiutare ad assistere i lavori ripetitivi. Quindi, invece di sentirsi minacciati dall’IA, i radiologi devono acquisire familiarit\u00e0 con il modo in cui potrebbe aiutarli in meglio nella loro vita quotidiana.<\/p>\n
C’\u00e8 molta paura intorno all’IA e al suo futuro impatto sulla medicina. Ci sono molti indicatori che suggeriscono che l’IA rivoluzioner\u00e0 completamente il mondo della sanit\u00e0. Con i progressi negli algoritmi di deep learning e nell’IA ristretta, c’\u00e8 un fermento intorno al campo medico dell’imaging, in particolare, qualcosa che ha messo molti radiologi nel panico. Curtis Langlots, professore di radiologia, ha recentemente presentato alla conferenza GPR Tech a San Jose. Ha menzionato come uno dei suoi studenti abbia inviato un’e-mail dicendo che stava considerando di entrare in radiologia, ma che non era pi\u00f9 sicuro che fosse una carriera praticabile. Questo \u00e8 completamente sbagliato, la radiologia non \u00e8 una professione in via di estinzione, anzi, \u00e8 tutt’altro.<\/p>\n
C’\u00e8 molto clamore intorno alla professione di radiologo e sul fatto che il deep learning e il machine learning e l’IA, in generale, sostituiranno i radiologi in futuro e che forse tutto ci\u00f2 che i radiologi finiranno per fare sar\u00e0 guardare le immagini. Tuttavia, questo non \u00e8 vero. Come paragone, potremmo considerare quello di un aereo che va con il pilota automatico. Questa innovazione non ha certamente sostituito i piloti, ma li ha assistiti nei loro compiti. Quando un aereo sta volando su una rotta molto lunga, \u00e8 fantastico poter inserire il pilota automatico, tuttavia, non sono molto utili quando \u00e8 richiesto un giudizio rapido. Quindi, la combinazione di tecnologia e uomo \u00e8 sicuramente vincente, e sar\u00e0 lo stesso caso anche nell’assistenza sanitaria.<\/p>\n
Mentre pu\u00f2 essere vero che l’IA non sostituir\u00e0 i radiologi, va detto che i radiologi che usano l’IA sostituiranno certamente quelli che non lo fanno. Ecco perch\u00e9:<\/p>\n
Cosa hanno in comune le lampade a raggi X, l’intestino dei gatti e la storia delle immagini mediche? Il campo della radiologia clinica \u00e8 iniziato con la scoperta dei raggi X nel 1895 da parte di un uomo tedesco chiamato Wilhelm Conrad R\u00f6ntgen. La mania dei raggi X aveva conquistato il mondo nei due mesi successivi alla sua scoperta. Con titoli come “una nuova luce che vede attraverso la carne fino alle ossa” e “presto ogni casa avr\u00e0 una macchina a raggi catodici”, fu davvero considerata una rivoluzione. Forse ti vengono in mente altre tecnologie simili pubblicizzate?<\/p>\n
Cos\u00ec eccitato dalla scoperta, Thomas Edison volle provare a creare una “lampada a raggi X” commerciale – i suoi sforzi fallirono, purtroppo. Cos\u00ec come gli sforzi per cercare di ottenere una radiografia del cervello umano. Egli permise ai giornalisti appassionati di storie di impazzire, poich\u00e9 si dice che abbiano aspettato fuori dal suo laboratorio per settimane in attesa dell’ultima innovazione. Alcuni giornalisti crearono immagini false del cervello umano, una delle quali era in realt\u00e0 una lastra di intestino di gatto radiografata da H. A. Falk nel 1896.<\/p>\n
Anche se alcuni dei primi metodi si sono rivelati progetti impossibili, i raggi X hanno presto trovato la loro strada nella medicina. E ci si aspetta che lo stesso accada presto con l’IA e la medicina – si spera senza intestini di gatto questa volta!<\/p>\n
La radiologia \u00e8 stata utilizzata negli sviluppi tecnologici fin dalla sua introduzione. In The Knick, una serie televisiva che ritrae la prima era della sanit\u00e0 moderna, un inventore della serie contatta il direttore dell’ospedale per presentargli la sua nuova innovazione: la macchina a raggi X. La macchina impiegava circa un’ora per scattare la foto. Oggi, se si va in ospedale per un controllo ai polmoni, ci vogliono solo un paio di minuti per la procedura a raggi X e solo pochi altri minuti per ottenere i risultati.<\/p>\n
Molto \u00e8 cambiato dai primi esperimenti con la “lampada a raggi X”, ma una cosa \u00e8 rimasta costante: i rapidi progressi tecnologici in radiologia.<\/p>\n
Circa mezzo secolo dopo la scoperta dei raggi X, un’altra innovazione entr\u00f2 nel campo dell’imaging medico: l\u2019ecografia. Questi nuovi sistemi disponibili in commercio permisero una pi\u00f9 ampia diffusione a partire dalla met\u00e0 degli anni Sessanta. Con i crescenti progressi nei materiali piezoelettrici e nell’elettronica, si pass\u00f2 da immagini bistabili a immagini in scala di grigi. Anche da immagini fisse a immagini in movimento in tempo reale. Il passaggio da enormi macchine ecografiche, grandi come una stanza, a quelle portatili \u00e8 stato sorprendente da vedere, ed \u00e8 cambiato solo nel corso di un altro mezzo secolo. Con Clarius Mobile Health che introduce il primo ecografo palmare tascabile completo di un’applicazione per smartphone, i medici possono portarlo in giro con loro per effettuare esami veloci e per guidare procedure veloci come iniezioni mirate e blocchi nervosi.<\/p>\n
Parliamo dei body scanner. Nel 1971, furono sviluppati i primissimi scanner CT. Avevano un solo rilevatore per gli studi sul cervello e furono creati sotto la guida di Godfrey Hounsfield, un ingegnere elettrico della EMI (Electric and Musical Industries, Ltd). Negli anni ’70, Raymond Damadian costru\u00ec a mano il primo scanner RM, con l’aiuto degli studenti del Downstate Medical Center di New York. La prima scansione RM del corpo umano fu completata nel 1977, e un organismo umano con il cancro nel 1978. Nei primi anni 2000, l’imaging medico era di routine in molti centri, come l’immagine fetale, la RM del corpo, la RM cardiaca e la RM funzionale.<\/p>\n
Con l’espansione dei mezzi nel campo della radiologia arriva anche un aumento della precisione. Mentre la precisione \u00e8 ancora l’obiettivo principale, c’\u00e8 anche lo spostamento verso l’automazione che mira a rendere la vita dei radiologi pi\u00f9 facile. Poich\u00e9 i radiologi devono esaminare molte immagini ogni giorno, \u00e8 inevitabile che questa parte del loro lavoro possa essere automatizzata. Gli algoritmi possono essere addestrati a trovare e rilevare vari tipi di anomalie sulla base delle immagini, quindi perch\u00e9 non dovremmo permettere loro di fare questo lavoro in modo che i radiologi possano dedicare il loro tempo alle questioni pi\u00f9 difficili?<\/p>\n
Con le possibilit\u00e0 del deep learning, gli algoritmi sono in grado di imparare da soli mentre i radiologi ne sorvegliano l’efficacia. Pi\u00f9 a lungo viene usato, pi\u00f9 sar\u00e0 efficace ed \u00e8 un’opportunit\u00e0 troppo buona da perdere. La radiologia potrebbe diventare rapidamente una delle specialit\u00e0 pi\u00f9 creative in cui il problem-solving e l’approccio olistico sono fondamentali.<\/p>\n
Quindi, detto questo, non significa assolutamente che l’IA prender\u00e0 il sopravvento su tutti i compiti di un radiologo. Ci saranno sempre risultati e diagnosi comuni sulle immagini mediche con cui l’IA pu\u00f2 aiutare, tuttavia, ci sono anche problemi molto rari che non possiamo non individuare. Potrebbe essere difficile per il deep learning identificare questi problemi. Quindi a che punto \u00e8 questa tecnologia al momento?<\/p>\n
Esperimenti sono stati condotti da scienziati dell’Universit\u00e0 di Adelaide, dove l’uso di sistemi di IA dovrebbe essere in grado di dire quando si potrebbe morire. Gli algoritmi di deep learning hanno analizzato le scansioni CT di 48 pazienti per prevedere se potrebbero morire entro i prossimi cinque anni, lo studio finora \u00e8 stato accurato al 69%. Si tratta di un risultato simile ai risultati dei diagnostici umani, che \u00e8 un risultato impressionante. La macchina di deep learning \u00e8 stata addestrata a indicare segni di malattia negli organi utilizzando una serie di 16.000 immagini. Lo scopo della ricerca \u00e8 quello di controllare e misurare la salute generale, piuttosto che identificare una singola malattia.<\/p>\n
Questa \u00e8 solo la punta dell’iceberg, tuttavia, poich\u00e9 ci sono molte ricerche in corso per insegnare agli algoritmi le diverse malattie e come rilevarle. Un algoritmo lanciato da IBM chiamato Medical Sieve \u00e8 stato in grado di assistere nel processo decisionale clinico in cardiologia e radiologia. Il sistema pu\u00f2 guardare le immagini di radiologia e rilevare i problemi pi\u00f9 velocemente e in modo pi\u00f9 affidabile. Anche Watson, un’altra piattaforma analitica IBN di IA, \u00e8 utilizzata nel campo della radiologia. A seguito dell’acquisto di Merge Health nel 2015, Watson ha ottenuto l’accesso a milioni di studi di radiologia e un sacco di dati medici esistenti che hanno permesso un brillante addestramento della funzionalit\u00e0 IA e quindi ha dato letture migliori agli esami di imaging.<\/p>\n
Altri giganti come Agfa, Siemens e Philips stanno gi\u00e0 lavorando all’integrazione dell’IA nei loro sistemi software di imaging medico. GE sta lavorando su un software di analisi predittiva che utilizza l\u2019IA. Aiuta nei reparti di imaging se qualcuno non si presenta al lavoro a causa di malattia, o se il volume dei pazienti aumenta. Con un simile work-in-progress nel software di analisi predittiva per l’imaging \u00e8 la societ\u00e0 tecnologica – Vital. Ci sono anche molte piccole e grandi aziende start-up che stanno sfruttando il potere dell’IA per la radiologia.<\/p>\n
Tuttavia, tutta questa ricerca non significa necessariamente che siamo attualmente pronti a far affrontare ai pazienti la loro aspettativa di vita in base alle loro immagini mediche.<\/p>\n
Per farci un’idea di quando il machine learning potr\u00e0 essere introdotto su scala pi\u00f9 ampia, dobbiamo prima vedere come funziona attualmente il machine learning in radiologia. Il processo normalmente assomiglia a questo: L’algoritmo \u00e8 alimentato da molte immagini e parti di dati che gli permettono di imparare e rilevare le differenze nei tessuti. Proprio come i computer possono riconoscere immagini di cani e gatti. Se l’algoritmo commette un errore, questo viene individuato dal ricercatore e viene apportata una modifica al codice. Si tratta quindi di un processo lungo e sono necessarie tonnellate di dati. Si crede che il risultato finale sar\u00e0 simile a questo: I radiologi condurranno l’esame di alto livello, e l’algoritmo probabilmente creer\u00e0 un rapporto preliminare minabile e strutturato. L’algoritmo far\u00e0 quindi la quantificazione che la maggior parte degli umani non ama fare, e la far\u00e0 molto bene.<\/p>\n
Altri esperti di medicina di precisione ritengono che ci siano molte sfide affrontate nella costruzione di queste piattaforme analitiche, dalla prima acquisizione e inserimento dei dati, garantendo un\u2019annotazione dei dati efficace, strategia di archiviazione, il regolatore \/ la politica \/ il governo durante il processo, e i tipi di analisi che saranno abilitati tramite la piattaforma. La sfida pi\u00f9 grande \u00e8 quella dell’annotazione dei dati e delle diverse visioni di quest\u2019ultimi, oltre a permettere la loro scoperta attraverso i molti set di dati collegati nella piattaforma.<\/p>\n
Inoltre, bisogna mostrare agli ospedali che gli algoritmi IA funzionano davvero. Gli esperti suggeriscono che ci sar\u00e0 un processo che sfrutta il “crowdsourcing” esterno e interno di dati opportunamente anonimizzati.<\/p>\n
Per esempio, un utente potrebbe avere stabilito algoritmi di scienza dei dati che sono basati su set di dati anonimizzati dalla sua rete ospedaliera. Poi, un nuovo ospedale potrebbe usare l’algoritmo per raffinare ulteriormente i set di dati locali resi anonimi per personalizzarli in base alle loro esigenze. Una volta che gli ospedali vedono uno scenario “vincente”, potrebbero essere incoraggiati a permettere ai sistemi di utilizzare ulteriori set di dati in modo da contribuire alla soluzione degli utenti. \u00c8 forse simile a come cerchiamo di entrare in acqua fresca in una calda giornata estiva. In primo luogo, si vedono altre persone che lo fanno, poi si vede che \u00e8 sicuro, e cos\u00ec si viene coinvolti, forse immergendo le dita dei piedi prima di impegnarsi completamente.<\/p>\n
Ogni giorno ci avviciniamo all’uso clinico. Il Data Science Bowl del 2017 mirava a rilevare il cancro ai polmoni utilizzando algoritmi intelligenti su pi\u00f9 di 1000 scansioni polmonari anonime che sono state fornite dal National Cancer Institute degli Stati Uniti. Ci sono stati oltre 18.000 algoritmi unici creati durante la sfida. L’obiettivo principale era quello di trovare il percorso per consegnare gli algoritmi a sistemi che possono essere utilizzati nella cura clinica, e quindi membri come la FDA e l’American College of Radiology possono collegarsi agli utenti del sistema di immagini e al radiologo che userebbero questi algoritmi.<\/p>\n
Nel 2017, la FDA ha approvato il primo algoritmo di apprendimento profondo basato sul cloud. \u00c8 stato sviluppato da Arterys per l’imaging cardiaco. Quindi possiamo vedere che ci stiamo lentamente arrivando. Gli esperti suggeriscono che entro i prossimi 3 anni, dovremmo vedere molti algoritmi di apprendimento automatico utilizzati in schemi pilota clinici e anche in uso approvato. Ci si aspetta anche che entro questo lasso di tempo, ci possano essere anche algoritmi di apprendimento profondo per il cancro del polmone a bassa dose CT nell’arsenale del toolkit di un radiologo. Questo sarebbe in grado di valutare il rischio di cancro ai polmoni di un individuo.<\/p>\n
Non ci sono, tuttavia, stime concrete, ed \u00e8 possibile che sar\u00e0 un processo graduale in cui molti sottocampi saranno sviluppati pi\u00f9 velocemente di altri. Un esempio \u00e8 nella mammografia, dove \u00e8 pi\u00f9 probabile che l’IA sar\u00e0 usata prima che nella TAC. C’\u00e8 infatti il potenziale per un approccio pi\u00f9 rapido che potrebbe vedere rapporti preliminari entro i prossimi 10 anni. In alcuni campi, questa \u00e8 una possibilit\u00e0 valida.<\/p>\n
Alla fine della giornata, gli esperti e le tendenze della ricerca mostrano proprio come l’IA rivoluzioner\u00e0 la radiologia in futuro. Quindi, piuttosto che sentirsi minacciati da essa o trascurarla, il mondo medico dovrebbe adottarla a braccia aperte.<\/p>\n
I radiologi, piuttosto che sentirsi spinti fuori dall’intelligenza artificiale, dovrebbero coinvolgerla, impararla e promuoverla. Dopo tutto, \u00e8 qualcosa che aiuter\u00e0 i pazienti. Ci aspettiamo che ci saranno enormi cambiamenti nel campo della radiologia nei prossimi anni. \u00c8 un campo che deve essere mantenuto all’avanguardia, e ci\u00f2 che conta di pi\u00f9 \u00e8 prendersi cura dei pazienti. Alimentiamo tutti questo pensiero e facciamo in modo che il futuro della radiologia con l’IA sia buono.<\/p>\n","protected":false},"excerpt":{"rendered":"
Come ti sentiresti se un algoritmo potesse informarti di avere un cancro in base al tuo esame mammografico o alla TAC? \u00c8 molto probabile che in futuro, il lavoro creativo dei radiologi sar\u00e0 necessario per risolvere problemi impegnativi e per supervisionare le procedure diagnostiche. L’IA diventer\u00e0 assolutamente parte della loro routine nel diagnosticare i casi […]<\/p>\n","protected":false},"author":16,"featured_media":18297,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_kad_blocks_custom_css":"","_kad_blocks_head_custom_js":"","_kad_blocks_body_custom_js":"","_kad_blocks_footer_custom_js":"","footnotes":""},"categories":[395,2025],"tags":[],"class_list":["post-37804","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-medical-sciences","category-scienze-mediche-3-2"],"acf":[],"yoast_head":"\n