Risonanze magnetiche al cervello interpretate in secondi: la svolta dell’AI nella diagnostica neurologica

La medicina diagnostica compie un balzo in avanti con un’applicazione dell’intelligenza artificiale che promette di rivoluzionare la neuroradiologia. Un gruppo di scienziati dell’Università del Michigan ha messo a punto Prima, sistema capace di analizzare una risonanza magnetica cerebrale e formulare una diagnosi nel giro di pochi secondi. La precisione raggiunta sfiora il 97,5 per cento nell’individuazione di patologie neurologiche. Non solo: il modello stabilisce anche il grado di urgenza del caso, segnalando quali pazienti necessitano intervento immediato.

Lo studio, pubblicato su “Nature Biomedical Engineering”, descrive una tecnologia definita dagli autori “unica nel suo genere”. Todd Hollon, neurochirurgo e docente della Facoltà di Medicina dell’ateneo statunitense, guida il progetto. “La domanda globale di risonanza magnetica è in aumento e sottopone a notevole pressione i medici e i sistemi sanitari”, spiega. “Il nostro modello ha il potenziale per ridurre il carico migliorando la diagnosi e il trattamento con informazioni rapide e accurate”.

Oltre trentamila scansioni per validare il sistema

Hollon e il suo gruppo hanno sottoposto Prima a una verifica empirica rigorosa: oltre trentamila studi di risonanza magnetica esaminati nell’arco di dodici mesi. Il sistema ha dovuto confrontarsi con più di cinquanta diagnosi radiologiche relative a gravi disturbi neurologici. Il risultato: Prima ha superato altri modelli di intelligenza artificiale d’avanguardia in termini di prestazioni diagnostiche. La capacità di stabilire priorità rappresenta un vantaggio concreto. Emorragie cerebrali e ictus richiedono cure mediche immediate. In simili circostanze Prima può allertare automaticamente i sanitari, consentendo interventi tempestivi.

Il modello è stato progettato per consigliare quale specialista debba essere avvisato: un neurologo esperto in eventi cerebrovascolari acuti o un neurochirurgo, a seconda della situazione. Il responso arriva subito dopo che il paziente ha completato l’esame. “La precisione è fondamentale quando si legge una risonanza magnetica cerebrale, ma tempi di risposta rapidi sono essenziali per una diagnosi tempestiva e risultati migliori”, sottolinea Yiwei Lyu, co-autore dello studio e ricercatore post-dottorato in Informatica e Ingegneria. “Nei passaggi chiave del processo, i risultati suggeriscono che Prima può migliorare i flussi di lavoro e semplificare l’assistenza clinica senza rinunciare alla precisione”.

Un modello addestrato su decenni di dati digitalizzati

Prima appartiene alla categoria dei “vision language model”, sistemi di intelligenza artificiale in grado di elaborare simultaneamente video, immagini e testo in tempo reale. Non è il primo tentativo di applicare l’intelligenza artificiale alla risonanza magnetica e ad altre forme di neuroimaging. L’approccio, tuttavia, si distingue. I modelli precedenti si basavano su sottoinsiemi di dati selezionati manualmente per raggiungere obiettivi specifici: individuazione di lesioni, previsione del rischio di demenza. Il team di Hollon ha scelto una strada diversa. L’addestramento si è basato su ogni risonanza magnetica eseguita da quando è iniziata la digitalizzazione della radiologia all’Università del Michigan decenni fa: oltre duecentomila studi, 5,6 milioni di sequenze.

I ricercatori hanno inserito nel modello anche le storie cliniche dei pazienti e le motivazioni per cui i medici hanno ordinato uno studio di diagnostica per immagini. “Prima funziona come un radiologo, integrando informazioni riguardanti il paziente e i dati di imaging per ottenere una comprensione completa del suo stato di salute”, illustra Samir Harake, co-primo autore e data scientist nel Machine Learning in Neurosurgery Lab di Hollon. Questo approccio “consente di ottenere prestazioni migliori in un’ampia gamma di attività di previsione”.

La pressione crescente sui servizi di neuroradiologia

Ogni anno nel mondo vengono eseguiti milioni di studi di risonanza magnetica. Una parte significativa riguarda malattie neurologiche. La domanda supera la disponibilità di servizi di neuroradiologia e comporta sfide notevoli: carenza di personale, rischio di errori diagnostici. A seconda del luogo in cui si esegue l’esame potrebbero volerci giorni, talvolta settimane, per ottenere un risultato. “Sia che si riceva una scansione in un sistema sanitario più ampio che deve far fronte a un volume crescente di prestazioni sia che la si faccia in un ospedale rurale con risorse limitate, sono necessarie tecnologie innovative per migliorare l’accesso ai servizi di radiologia”, osserva Vikas Gulani, coautore e presidente del Dipartimento di Radiologia dell’Università del Michigan. “I nostri team hanno collaborato per sviluppare una soluzione all’avanguardia a questo problema, con un potenziale enorme e scalabile”.

Nonostante i risultati promettenti, gli autori mantengono un atteggiamento prudente. La ricerca è ancora nella fase iniziale di valutazione. Il lavoro futuro esplorerà la possibilità di integrare informazioni più dettagliate sui pazienti con i dati delle cartelle cliniche elettroniche per diagnosi ancora più accurate. Hollon descrive Prima come “ChatGpt per l’imaging medico”. Il potenziale va oltre la neuroradiologia. Un giorno il sistema potrebbe essere adattato ad altre modalità di imaging: mammografie, radiografie del torace, ecografie. “Così come gli strumenti di intelligenza artificiale possono aiutare a scrivere una bozza di messaggio di posta elettronica o a fornire raccomandazioni, Prima si propone di essere un copilota per l’interpretazione degli studi di imaging medico”, conclude Hollon. L’obiettivo resta “migliorare l’assistenza sanitaria attraverso l’innovazione”.