Una nuova ricerca condotta da Google mostra come l’apprendimento automatico potrebbe un giorno rilevare i segnali del cancro ai polmoni con un preavviso maggiore rispetto ad oggi.
di Will Knight
Segnali di avvertimento: Danial Tse, un ricercatore di Google, ha sviluppato un algoritmo in grado di battere diversi radiologi professionisti negli esami di screening. Tse e i suoi colleghi hanno addestrato un algoritmo di apprendimento profondo per rilevare noduli polmonari maligni utilizzando oltre 42.000 tomografie computerizzate.
Gli algoritmi derivati da questo addestramento sono stati in grado di rilevare l’11 percento di falsi positivi in meno e il 5% di falsi negativi in meno rispetto alla loro controparte umana. Il lavoro dei ricercatori viene descritto in un paper pubblicato oggi su Nature.
La lotta a un killer: Nel 2018 il cancro ai polmoni ha ucciso oltre 160.000 persone negli Stati Uniti soltanto, un conteggio che ne fa una delle prime cause di decesso per cancro. Laddove le tomografie computerizzate possono concretamente salvare vite, la loro accuratezza resta ancora da affinare.
La grande promessa: Tse e i suoi colleghi ritengono che le AI possano contribuire a rendere lo screening del cancro ai polmoni una procedura più accessibile ed affidabile in tutto il mondo, pur ammettendo che il loro lavoro dovrà essere validato utilizzando popolazioni di pazienti più ampie.
L’interesse verso le possibili applicazioni dell’intelligenza artificiale nel rilevamento di varie tipologie di cancro è in aumento. Alcuni ricercatori hanno dimostrato come l’apprendimento automatico possa essere utilizzato per rilevare sia il cancro al seno che il cancro alla pelle.
Piccoli passi: Questi studi sono emozionanti, ma andrebbero presi come piccoli progressi. Questioni di privacy continuano a rallentare l’applicazione delle AI nel settore sanitario. Come se non bastasse, i data set del mondo reale sono raramente perfetti come quelli adottati negli studi di ricerca. È infine giusto precisare che le terapie per il cancro richiedono ben altro rispetto al semplice rilevamento. L’identificazione del trattamento ideale può dipendere da una serie di fattori che variano enormemente da paziente a paziente, rendendo questa parte del processo più complicata da automatizzare.
(MO)
