Identificarea nodulilor tiroidieni maligni (canceroşi) înainte de intervenţia chirurgicală a reprezentat întotdeauna o provocare clinică majoră. Un nou studiu multidisciplinar propune o soluţie promiţătoare: folosirea inteligenţei artificiale (AI) pentru a interpreta imaginile ecografice ale tiroidei. Acest demers ar putea contribui decisiv la reducerea numărului de operaţii inutile şi la un diagnostic oncologic mai exact şi standardizat.
Un studiu de validare a conceptului, realizat de cercetători de la Cornell Ann S. Bowers College of Computing and Information Science (Cornell Bowers CIS) şi Icahn School of Medicine at Mount Sinai, propune o nouă abordare pentru un diagnostic oncologic mai précis al cancerului tiroidian.
Echipa a antrenat modele de învăţare automată folosind imagini ecografice ale tiroidei şi un tip de modelare numită analiză topologică a datelor (TDA), care extrage din ecografii informaţii legate de structura şi configuraţia internă a ţesuturilor.
Studiul, publicat în jurnalul Imaging, a arătat că această metodă oferă îmbunătăţiri considerabile comparativ cu utilizarea exclusivă a parametrilor de bază extraşi din ecografii, precum luminozitatea, textura sau dimensiunea nodulilor, în diagnosticul cancerului tiroidian.
Dacă aceste rezultate se confirmă în studii mai ample, metoda ar putea fi combinată cu evaluările tradiţionale ale riscului pentru a oferi recomandări mai bune pacienţilor şi, posibil, pentru a evita intervenţiile chirurgicale inutile.
„Ne concentrăm mult pe îmbunătăţirea capacităţii de a consilia pacienţii preoperator şi de a-i informa pe cei cu cancer despre riscul de recidivă”, a declarat autoarea principală a studiului, Denise Lee, profesor asistent de chirurgie la Icahn School of Medicine.
Nodulii tiroidieni descoperiţi întâmplător au devenit mai frecvenţi din cauza utilizării pe scară largă a imagisticii în controalele de rutină. Procesul de evaluare a riscului începe cu ecografia, puncţia aspirativă cu ac fin şi testarea moleculară. Cu toate acestea, multe cazuri rămân neclare, ceea ce duce la intervenţii chirurgicale pentru stabilirea unui diagnostic definitiv. Acest lucru face ca până la un sfert dintre pacienţi să fie operaţi pentru afecţiuni benigne (necanceroase).
„Interpretarea ecografiilor poate fi extrem de subiectivă, iar asta e una dintre dificultăţile cu care ne confruntăm”, a precizat prof. Lee.
Ideea centrală a acestui studiu a fost explorarea posibilităţii de a utiliza AI în analiza topologică a datelor pentru standardizarea caracteristicilor ecografiilor, în vederea obţinerii unor predicţii mai precise şi consecvente în identificarea cancerului tiroidian.
Alţi cercetători au încercat săestimeze prezenţa cancerului folosind modele de învăţare profundă, care analizează automat imagini pentru a identifica trăsături ascunse sau greu de observat de către ochiul uman. Aceste modele generează predicţii bazate pe aceste trăsături, însă procesul prin care ajung la concluzii este adesea complicat şi greu de explicat, ceea ce face ca interpretarea rezultatelor să reprezinte o provocare.
Unul dintre avantajele utilizării TDA, spun cercetătorii, este că trăsăturile identificate pot fi urmărite cu uşurinţă până la imaginea ecografică originală.
„Caracteristicile utilizate în acest studiu sunt relativ uşor de interpretat”, a explicat Andrew Thomas, fost cercetător postdoctoral la Cornell şi în prezent profesor asistent de statistică şi ştiinţe actuariale la Universitatea Iowa, care a colaborat la studiu.
Aceste caracteristici pot fi interpretate într-un mod asemănător cu modul în care sunt evaluate, pe ecografie, numărul de calcificări, prezenţa unor zone chistice extinse sau neregularitatea conturului glandei tiroide, toate fiind elemente pe care TDA le surprinde eficient, spune acesta.
TDA ia în considerare caracteristicile structurale ale imaginii (forma fiziologică) prin transformarea unei imagini ecografice în tonuri de gri într-o serie de imagini alb-negru. Începând cu pixelii cei mai întunecaţi, metoda setează un prag peste care toţi pixelii devin albi. Apoi pragul creşte treptat, astfel încât pixelii mai deschişi sunt codificaţi ca negri, iar masele întunecate cresc şi se unesc, în timp ce zonele mai deschise se micşorează şi dispar. Această serie de imagini oferă informaţii despre modul în care diferitele regiuni ale tiroidei sunt interconectate, aspect ce poate reflecta riscul unei persoane de a dezvolta cancer.
Această metodă a arătat o sensibilitate de 91% în identificarea cancerului atunci când era prezent şi o specificitate de 71% în recunoaşterea corectă a nodulilor benigni (necanceroşi).
Prin comparaţie, modelele fără TDA, bazate pe radiomică, caracteristici de bază ale ecografiilor, precum luminozitatea sau textura, au oferit predicţii mult mai puţin precise, identificând corect cazurile benigne doar în proporţie de 43%.
Modelele care folosesc TDA au avut performanţe mai bune chiar şi comparativ cu unele abordări anterioare bazate pe învăţare profundă.
„Potențialul acestor metode statistice în medicină constă în identificarea caracteristicilor structurale ale nodulilor tiroidieni, cum ar fi contururile şi dimensiunile acestora, care se regăsesc în mod constant, dar care pot prezenta tipare diferite de la un pacient la altul”, a completat David S. Matteson, profesor de statistică şi ştiinţa datelor la Cornell Bowers CIS.
Acum, cercetătorii aplică această metodă asupra unui set mai mare de ecografii tiroidiene pentru a-i testa în continuare eficienţa în identificarea riscului de cancer. Ei estimează că această abordare ar putea fi aplicată şi altor tipuri de imagistică medicală şi pentru alte forme de cancer.
