Il prossimoProssima guida
L’intelligenza artificiale nella pianificazione del trattamento oncologico
Industrie
GUIDA alle industrie
L’intelligenza artificiale in oncologia utilizza l’apprendimento automatico per aiutare a individuare tumori su scansioni e vetrini, stimare il rischio, pianificare la radioterapia e organizzare le informazioni per le decisioni terapeutiche, come le revisioni delle commissioni sui tumori.
Ascolta questa guidaNarrato dall'IA · ~3 min
È importante perché la cura del cancro coinvolge enormi volumi di immagini e dati, ma finora la prova più forte riguarda le attività di rilevamento e flusso di lavoro, non la scelta dell’intelligenza artificiale su quale trattamento un paziente dovrebbe ricevere.
Gli oncologi incontrano l’intelligenza artificiale in tre ambiti principali: rilevamento, pianificazione del trattamento e supporto decisionale. Il rilevamento è il più maturo. Nella mammografia, lo studio randomizzato svedese MASAI, riportato per la prima volta nel 2023, ha rilevato che lo screening supportato dall’intelligenza artificiale ha rilevato più tumori rispetto alla doppia lettura standard, riducendo il carico di lavoro di lettura dello schermo del radiologo di circa il 44%. In patologia, la FDA ha autorizzato Paige Prostate nel 2021 come il primo prodotto di intelligenza artificiale per assistere i patologi nella lettura delle biopsie prostatiche. I modelli di ricerca possono anche stimare caratteristiche come l’instabilità dei microsatelliti direttamente da vetrini colorati di routine, e i ricercatori del MIT e del Massachusetts General Hospital hanno costruito Sybil, che prevede il rischio futuro di cancro ai polmoni da una singola TAC a basso dosaggio. La pianificazione del trattamento è abbastanza diffusa. Gli strumenti di auto-contornatura tracciano i contorni dei tumori e degli organi vicini per la radioterapia, un compito che può richiedere ore ai medici. I medici continuano a rivedere e modificare ogni contorno. La scelta del trattamento è l’ambito in cui è più necessaria cautela. Watson for Oncology di IBM è stato commercializzato per suggerire terapie, ma ha dovuto affrontare segnalazioni di raccomandazioni che non erano d'accordo con gli esperti e alcune che non erano sicure, e IBM in seguito ha venduto la sua attività Watson Health. La lezione è stata che la formazione su un piccolo insieme di casi ipotetici e sulle preferenze di un'istituzione non produce consigli generali affidabili. I comitati sui tumori, in cui chirurghi, oncologi, radiologi e patologi discutono insieme i casi, utilizzano sempre più software che assemblano dati e segnalano la corrispondenza con studi clinici o percorsi di linee guida. Si stanno testando ampi modelli linguistici per riassumere i resoconti di questi incontri, ma fatti allucinati o obsoleti rappresentano un rischio serio. Il limite principale delle prove attuali è che molti studi sono retrospettivi, misurano l’accuratezza piuttosto che i risultati dei pazienti e provengono da pochi centri dotati di risorse adeguate. Trovare più piccoli tumori è utile solo se migliora la sopravvivenza piuttosto che aumentare la sovradiagnosi.
Un programma di screening del seno utilizza l’intelligenza artificiale per classificare le mammografie in modo che gli esami probabilmente normali necessitino di un radiologo mentre gli esami ad alto rischio ottengano due lettori, riducendo il carico di lavoro di lettura.
Un team di radioterapia utilizza un software di auto-contouring per disegnare i primi contorni degli organi a rischio sulle scansioni TC, che un dosimetrista e un oncologo poi controllano e correggono.
Un laboratorio di patologia utilizza un sistema di intelligenza artificiale per evidenziare aree sospette sui vetrini digitalizzati della biopsia prostatica in modo che il patologo esamini attentamente tali regioni.
Il software della scheda tumorale di un ospedale raccoglie l'imaging, la patologia, la genomica e la cronologia dei trattamenti in un'unica dashboard prima della riunione multidisciplinare settimanale.
La crescita a breve termine è più probabile nel flusso di lavoro di screening, patologia e radioterapia, dove i compiti sono ben definiti e i risultati possono essere controllati. Un follow-up più lungo degli studi di screening chiarirà se ulteriori rilevamenti riducono i tumori e i decessi nel periodo o aumentano la sovradiagnosi. I modelli multimodali che combinano immagini, genomica e registrazioni rappresentano un’area di ricerca attiva, ma avranno bisogno di studi prospettici prima di guidare le scelte terapeutiche. I comitati sui tumori potrebbero utilizzare più spesso i riassunti dell’intelligenza artificiale e la corrispondenza degli studi, con i medici che verificano le fonti. L’equità è una vera preoccupazione, dal momento che molti modelli vengono sviluppati in grandi centri accademici i cui pazienti e le cui attrezzature potrebbero non corrispondere agli ospedali comunitari.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
L’intelligenza artificiale in oncologia utilizza l’apprendimento automatico per aiutare a individuare tumori su scansioni e vetrini, stimare il rischio, pianificare la radioterapia e organizzare le informazioni per le decisioni terapeutiche, come le revisioni delle commissioni sui tumori. È importante perché la cura del cancro coinvolge enormi volumi di immagini e dati, ma finora la prova più forte riguarda le attività di rilevamento e flusso di lavoro, non la scelta dell’intelligenza artificiale su quale trattamento un paziente dovrebbe ricevere.
MASAI, uno studio randomizzato riportato per la prima volta nel 2023, ha riscontrato un rilevamento più elevato e un notevole calo del carico di lavoro di lettura del radiologo rispetto alla doppia lettura standard.
I resoconti di raccomandazioni in disaccordo con gli esperti, alcuni dei quali non sicuri, hanno mostrato i limiti del suo approccio formativo. IBM ha successivamente venduto l'attività Watson Health.
Paige Prostate evidenzia le regioni sospette sui vetrini digitalizzati della biopsia prostatica per la revisione del patologo.
Sybil stima il rischio futuro di cancro ai polmoni di una persona utilizzando una TC del torace a basso dosaggio.
Le diapositive sono troppo grandi per essere elaborate contemporaneamente, quindi le patch vengono codificate e combinate, spesso con un'attenzione tale da produrre una mappa termica delle regioni influenti.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
L’intelligenza artificiale nella pianificazione del trattamento oncologico
Industrie