Grazie alla IA è sufficiente una lastra ai polmoni per prevedere il cancro

Uno studio condotto presso la Boston University School of Medicine ha dimostrato che, partendo da un'immagine radiografica del torace, l'intelligenza artificiale è in grado di identificare i non fumatori ad alto rischio di cancro ai polmoni.
Il 10-20% dei casi di questo tumore, infatti, si verifica in persone che non hanno mai fumato o hanno fumato meno di 100 sigarette in tutta la loro vita.

Senza uno screening codificato, i tumori polmonari nei non fumatori tendono ad essere più avanzati rispetto a quelli scoperti nei fumatori, sottoposti ad un numero maggiore di esami. Pertanto, i ricercatori hanno sviluppato uno strumento basato sull'intelligenza artificiale per identificare i non fumatori ad alto rischio di cancro ai polmoni, utilizzando le lastre al torace già disponibili nei database delle cartelle cliniche.
Il modello, chiamato "CXR-Lung-Risk", è stato sviluppato e testato utilizzando un ampio numero di lastre toraciche di fumatori asintomatici e di non fumatori.
Successivamente, il modello è stato validato su un gruppo separato di non fumatori utilizzando le immagini delle lastre toraciche ambulatoriali.
L'esito principale del test è consistito nell'incidenza del cancro ai polmoni a sei anni.

Dei partecipanti allo studio, di età media di 63 anni, il 28% è stato considerato ad alto rischio dallo strumento di intelligenza artificiale.
Successivamente, il 2,9% di questi pazienti è stato diagnosticato con cancro polmonare.
È emerso che le persone considerate ad alto rischio dallo strumento avevano un rischio più che doppio di sviluppare un tumore ai polmoni.

Gli autori dello studio sottolineano che uno dei vantaggi principali di questo approccio è che richiede solo un'immagine di una singola lastra toracica, un esame comune e ampiamente disponibile nelle cartelle cliniche.
Ciò apre la possibilità di uno screening opportunistico per i non fumatori, utilizzando le lastre toraciche già presenti nei repository di immagini cliniche.

Deep learning to estimate lung disease mortality from chest radiographs