Affidarsi alla tecnologia per predire la prognosi o l’evoluzione di una specifica malattia come anche la risposta a trattamenti di chemio e/o radioterapia in alcune tipologie importanti di tumori, fra questi soprattutto i big killer. Sono alcune delle più recenti applicazioni dell’Intelligenza Artificiale (IA) in grado di offrire soluzioni e strumenti nella clinica, in larga misura in contesti ospedalieri e ambulatoriali o in setting di ricerca e cura, anche in ambito oncologico. Il suo impiego potrebbe apportare vantaggi anche nella patologia orale, specificatamente in ambito diagnostico, allo stato attuale o nel prossimo futuro? A fare il punto sull’applicazione dell’IA con questa indicazione è uno studio coreano pubblicato su Dentomaxillofacial Radiology.
Molte applicazioni. Le possibili applicazioni dell’IA si estendono, oggi, a quasi tutti i settori della medicina, radiologia compresa, anche per quanto attiene alla diagnostica della patologia orale e maxillofacciale (OMF). Ambito in cui si hanno evidenze di alcune esperienze virtuose con interessanti prospettive applicative per il prossimo futuro, sebbene non manchino importanti criticità. È, ad esempio, un dato di fatto l’impiego dell’IA in reti neurali convoluzionali, costruite cioè su algoritmi che si ispirano al funzionamento e ai "link" del cervello umano, che in radiologia consentono di effettuare raffinate indagini per la rilevazione, classificazione, segmentazione, registrazione, generazione e perfezionamento delle immagini, così come per l’elaborazione di dati. In parallelo, l’IA è applicata con efficacia anche in altri ambiti, come lo sviluppo di sistemi robotici o di dialogo nei linguaggi di processo. Nella diagnosi radiografica, gli ambiti più puntuali per l’applicazione dell’IA, secondo lo studio coreano, includono oltre ai setting citati, anche l’odontoiatria forense e il miglioramento della qualità delle immagini. Impieghi che hanno visto una maggiore fioritura con l’ingresso del deep learning, una sottocategoria del Machine Learning, dunque anch’essa espressione dell’IA, da cui dipende, appunto, la creazione di algoritmi ispirati alle reti neurali artificiali.
L’IA ha la potenzialità di raccogliere, immagazzinare, confrontare, incrociare big data: una enorme quantità di informazioni e numeri altrimenti impossibile da gestire e interpretare. Il problema tuttavia è la qualità dei dati, questi devono essere accurati e coerenti, anche in radiologia OMF; tale da richiedere il coinvolgimento di radiologi con specifica expertise per la creazione di un corretto set di dati. Obiettivo è infatti arrivare a sviluppare strumenti di annotazione, “etichettatura” delle informazioni, adeguati, accurati ed efficienti. Ma gli autori avvertono: l’impresa non è di così facile realizzazione; da un lato i dati oggi disponibili di radiologia OMF si riferiscono a studi frammentari, su piccola scala e non idonei a strutturare specifici algoritmi di deep learning applicabili alla pratica clinica in odontoiatria, dall’altro mancano figure referenziali.
Come soddisfare a questi bisogni? Per il primo aspetto occorre partire, suggeriscono gli autori, dall’allestimento di un archivio di set di dati su larga scala, al pari di quanto si fa nel razionale di uno studio clinico. In buona sostanza, è necessario mettere insieme un pool di dati definiti di addestramento, in grado cioè di offrire una risposta chiara relativamente a un quesito specifico, definito come target o attributo di destinazione, su cui verrà poi sviluppato l’algoritmo di interesse. Il meccanismo è complesso: l’algoritmo di apprendimento si basa du dati di addestramento riferiti ai pattern di interesse che consentano di mappare gli attributi dei dati di input al target (ovvero la risposta che si desidera prevedere ad esempio in relazione a una determinata malattia o alla struttura anatomica in ciascuna immagine) sui quali verrà generato un modello per l’acquisizione degli stessi pattern. Un lavoro oneroso, in termini di tempo, energie e risorse, cui si aggiunge il limite della formazione: i dati, complessi, che se ne ricavano dovrebbero essere organizzati da un esperto, nello specifico da un ingegnere con elevata competenza nello sviluppo di sistemi di IA e di sistemi ad alte prestazioni, con il supporto di un radiologo esperto in OMF che sia in grado di dare corretta lettura e interpretazione delle immagini radiografiche. Ad oggi sono ancora pochi i radiologi OMF a possedere questo patrimonio conoscitivo. In ultimo, ma non per importanza, si pone il problema sicurezza: l’IA può essere infatti oggetto di attacco da parte di hacker.
La messa a punto di soluzioni efficaci per risolvere innanzitutto le criticità esposte, potrà consentire in futuro il potenziamento/implementazione dell’impiego dell’IA, favorendo a cascata l’applicazione in sistemi di diagnosi automatica, nella definizione di piani di trattamento e nella fabbricazione di percorsi terapeutici. Serve tuttavia, come prima risorsa, la disponibilità di radiologi OMF, adeguatamente coinvolti e formati, uniti professionisti capaci di comprendono a fondo le caratteristiche delle immagini radiografiche dentali.
Fonte
Heo MS, Kim JE, Hwang JJ et al. Artificial intelligence in oral and maxillofacial radiology: what is currently possible? Dentomaxillofacial Radiology 2021, 50(3):20200375. doi: 10.1259/dmfr.20200375.
