L’IA in gastroenterologia: verso una maggiore precisione nella pratica clinica.

Abstract

---

Lo sviluppo dell'intelligenza artificiale (IA) è aumentato in modo vertiginoso negli ultimi 20 anni e le applicazioni cliniche sono state progressivamente esplorate per la maggior parte delle specialità mediche. Una grande attenzione è stata rivolta allo sviluppo di sistemi assistiti da computer che potrebbero essere applicati in endoscopia, radiologia e patologia per migliorare la diagnosi, il trattamento e la prognosi di molte malattie gastrointestinali. I più recenti progressi dell'IA in gastroenterologia ed epatologia sono promettenti per l'aspetto di molti campi dell'assistenza clinica, dall'individuazione di lesioni neoplastiche nella valutazione endoscopica al miglioramento degli attuali modelli di sopravvivenza per la previsione della risposta al trattamento.

---

Con i costanti progressi della tecnologia informatica e il suo impatto su vari aspetti della nostra vita, sono emersi algoritmi di intelligenza artificiale (IA) per migliorare le prestazioni delle macchine.[1] La tecnologia IA può compensare i limiti umani, prevenire gli errori, fornire alle macchine un'autonomia affidabile e aumentare la produttività e l'efficienza in vari campi.[1]

Basandosi molto sull'imaging endoscopico e radiologico, la gastroenterologia è diventata un campo interessante in cui applicare l'IA.[2] Un’attenzione particolare è già stata dedicata a diverse aree, tra cui l'individuazione di lesioni neoplastiche gastrointestinali per favorire una diagnosi rapida, la riduzione delle diagnosi errate, il miglioramento della qualità delle immagini, la riduzione della variabilità inter-osservatore nelle classificazioni visive e l'interpretazione radiologica e istopatologica.[2]

L’IA comprende discipline come l'apprendimento automatico (Machine Learning, ML) e l'apprendimento profondo (Deep Learning, DL).[2] L’obiettivo centrale del ML è l'utilizzo di grandi insiemi di dati per riconoscere modelli di interazioni tra variabili, spesso in ultima analisi, in modo da consentire l'applicazione della funzione appresa a nuovi dati.[2] Il DL è un sottoinsieme della ML, basato sulle reti neurali artificiali (artificial neural network, ANN), che sono liberamente ispirate all'interazione neuronale nel cervello umano.[2] Il DL utilizza autonomamente i dati in ingresso per apprendere, identificare e sfruttare i fattori predittivi di un risultato, che possono utilizzare sistemi multistrato come reti neurali convoluzionali (convolutional neural network, CNN) per elaborare informazioni complesse.[2]

L'applicazione della tecnologia IA nell'endoscopia gastrointestinale (GI) offre diversi vantaggi, tra cui la riduzione della variabilità tra gli operatori, una maggiore accuratezza diagnostica e la facilitazione di decisioni terapeutiche rapide e precise.[1] Inoltre, l'IA può ridurre al minimo i tempi, i costi e il carico di lavoro associati alle procedure endoscopiche.[1]

L'accumulo di prove dimostra i potenziali benefici dell'assistenza computerizzata (Certificate Authority, CA) nella gestione delle patologie esofagee, come l'esofago di Barrett (BE) e l'adenocarcinoma esofageo (EAC).[3] Nonostante l’analisi istopatologica sia il gold standard per la diagnosi del BE e per determinare la presenza di displasia, è fondamentale che gli endoscopisti ottengano biopsie mirate da sedi specifiche che ospitano la reale lesione.[2] Identificando le aree che possono ospitare BE con o senza displasia, l'IA può orientare il medico nell'esecuzione di biopsie mirate invece di affidarsi ad un campionamento casuale.[2] In generale, i modelli sono stati in grado di discernere tra immagini normali e displastiche/neoplastiche con un'accuratezza di almeno l'89,9%, ottenendo risultati migliori rispetto agli endoscopisti non esperti.[2]

Dalla ricerca in letteratura sono emersi molti studi specificamente incentrati sull'applicazione dell'IA nella diagnosi dell’Helicobacter pylori.[3] L'IA ha mostrato buone prestazioni applicate alla diagnosi endoscopica dell'infezione da H. pylori, ma le sue prestazioni possono essere valide solo per la popolazione in esame e dipendono dalla prevalenza di condizioni target per la popolazione selezionata (spectrum bias o squilibrio di classe).[3] Più recentemente, un sistema di rilevamento e diagnosi assistiti da computer (Computer-aided design, CAD), basato sull'imaging a colori combinato con la DL, ha raggiunto un'accuratezza dell'82,5%, dimostrando un'accuratezza diagnostica dell'H. pylori paragonabile a quella di endoscopisti esperti.[2]

La visualizzazione endoscopica è altamente affidabile per la valutazione della mucosa del colon in caso di malattie infiammatorie intestinali (IBD); tuttavia, l'esame istologico è ancora il metodo d’elezione per la diagnosi.[3] Pertanto, inizialmente, l'IA era stata testata per valutare automaticamente l'infiammazione sia della colite ulcerosa (UC) che della malattia di Crohn (Chron Disease, CD), al fine di evitare la ripetizione frequente di biopsie durante l'endoscopia.[3] Per di più, oltre a rilevare le lesioni, l'IA può assistere l'endoscopista nella valutazione della gravità della malattia.[3]

L’esame endoscopico diretto del colon continua a essere il metodo di riferimento per l'individuazione e la rimozione delle lesioni precancerose del colon.[2] Tra i fattori che influenzano l'efficacia della colonscopia, la qualità della pulizia dell'intestino e il tasso di rilevamento degli adenomi (ADR) sono i più rilevanti.[3] Pertanto, sono state istituite misure di qualità come il tempo di intubazione cecale, il tempo di prelievo, la qualità della preparazione dell'intestino e l’ADR per tentare di standardizzare la pratica e ridurre il tasso di mancata diagnosi del cancro del colon-retto (CRC).[2] Oltre al rilevamento delle lesioni, l'IA è stata studiata anche per la caratterizzazione automatica dei polipi (CADx) e la potenzialità di distinguere le lesioni precancerose da quelle benigne, evitando l'inutile rimozione dei polipi per la valutazione istologica.[3] L'IA per il rilevamento e la caratterizzazione dei polipi rappresenta lo strumento più avanzato dell'endoscopia assistita dal computer, con alcune tecniche già integrate nella pratica quotidiana.[1] Queste includono:

1. CADe per il rilevamento e l'identificazione dei polipi.[1]
2. CADx per la caratterizzazione e la classificazione dei polipi, nota anche come biopsia ottica o previsione istologica.[1]
3. CADx per la caratterizzazione ottica della neoplasia nei pazienti affetti da UC.[1]
4. Sistemi di IA che aiutano a determinare la necessità di un ulteriore intervento chirurgico dopo la resezione endoscopica di un tumore del colon-retto T1, prevedendo le metastasi linfonodali.[1]

Pertanto, le continue innovazioni hanno permesso di migliorare molti aspetti della pratica clinica quotidiana dei gastroenterologi, dall'aumento delle diagnosi precoci all'ampliamento dei confini terapeutici.[3] Con la rapida evoluzione dell'intelligenza artificiale in medicina, le applicazioni cliniche di questa tecnologia stanno diventando sempre più evidenti.[2] ML e DL potrebbero aiutare i medici nella diagnosi di neoplasie gastrointestinali ed epatiche, emorragie, infezioni e processi infiammatori, oltre a prevedere misure di esito in queste condizioni.[2] Risulta importante rendersi conto che, sebbene l'IA non sostituisca attualmente il ragionamento clinico umano, potrebbe portare ad un miglioramento delle cure dei pazienti.[2] Tuttavia, sono necessari anche studi futuri per esplorare le possibilità di migliorare l'introduzione di queste misure nella pratica clinica.[2]

---

Referenze:

1. Rey JF. As how artificial intelligence is revolutionizing endoscopy. Clin Endosc. 2024;57(3):302-308. doi:10.5946/ce.2023.230
2. Kröner PT, Engels MM, Glicksberg BS, et al. Artificial intelligence in gastroenterology: A state-of-the-art review. World J Gastroenterol. 2021;27(40):6794-6824. doi:10.3748/wjg.v27.i40.6794
3. Pecere S, Milluzzo SM, Esposito G, Dilaghi E, Telese A, Eusebi LH. Applications of Artificial Intelligence for the Diagnosis of Gastrointestinal Diseases. Diagnostics (Basel). 2021;11(9):1575. Published 2021 Aug 30. doi:10.3390/diagnostics11091575