Presente e futuro dell’intelligenza artificiale nella cura del tumore del polmone

L’arrivo di ChatGPT ha portato l’intelligenza artificiale (IA) alla ribalta e l’ha fatta conoscere a un pubblico decisamente ampio, ma l’utilizzo dell’intelligenza artificiale non è certo una novità. Siamo infatti circondati da strumenti che si basano sull’IA, basti pensare agli annunci pubblicitari personalizzati che riceviamo dalle piattaforme di shopping online o ai servizi di riconoscimento facciale. La medicina non fa eccezione: da oltre 20 anni si studiano applicazioni che aiutino i medici in tutto il percorso di cura, dalla diagnosi fino al follow-up dopo il trattamento, e alcuni di questi strumenti sono già in uso^1,2.
Questo articolo propone una panoramica di alcune delle potenziali applicazioni dell’IA in medicina, concentrandosi in particolare sul tumore del polmone, una malattia che ancora oggi presenta diverse sfide irrisolte per medici e ricercatori.

I tanti volti dell’intelligenza artificiale

L'IA è un'ampia branca dell'informatica finalizzata allo sviluppo di macchine “intelligenti” che utilizzano le previsioni e l'automazione per svolgere compiti che tipicamente richiedono l'intelligenza umana³. Prima di iniziare a parlare delle applicazioni dell’IA in medicina è in effetti necessario comprendere di cosa si sta parlando, proprio perché l’IA va ben oltre gli strumenti definiti “generativi” come ChatGPT.
Machine learning e deep learning, spesso usati come sinonimi tra di loro e a volte anche come sinonimi di IA, sono in realtà due distinte facce dell’IA o, meglio, due delle metodologie su cui si basano gli strumenti di IA¹.
Semplificando al massimo, il machine learning dipende maggiormente dall’uomo per il cosiddetto “addestramento” dell'algoritmo: in altri termini, un esperto determina quali caratteristiche devono essere apprese, il che significa che i dati in ingresso devono essere più curati e strutturati. Il deep learning, invece, utilizza metodi che imitano l'architettura neurale del cervello umano e struttura gli algoritmi in “strati” (le reti neurali artificiali)¹.

Dallo screening alla terapia

Le percentuali di cura del tumore del polmone sfiorano il 100% se la malattia viene diagnosticata nelle sue fasi iniziali, mentre scendono drammaticamente negli stadi più avanzati, a sottolineare l’importanza della diagnosi precoce⁴.
Per quanto riguarda lo screening, strumento indispensabile per la diagnosi precoce di alcuni tumori come quello mammario ma non ancora procedura standard per quello polmonare, l’IA potrebbe fare la differenza. Un gruppo di ricercatori statunitensi ha per esempio messo a punto un modello di IA in grado di predire il rischio di tumore del polmone entro sei anni analizzando le immagini di una sola TC a bassa dose senza l’intervento di un radiologo. Il nome di questo strumento è già di per sé un programma: Sybil (Sibilla), ispirato appunto alle sibille, figure femminili dell’antica Grecia con virtù profetiche^1,5.

Anche nelle successive fasi di diagnosi l’IA può giocare un ruolo da protagonista. Se oggi il percorso diagnostico si basa nella maggior parte dei casi ancora sull’analisi di immagini (tomografia computerizzata (TC), radiografia, PET, ecc) e di vetrini istologici da parte di personale medico e tecnico specializzato, l’IA sta gradualmente facendo il proprio ingresso in clinica, dimostrandosi un utile strumento per aiutare il medico e migliorare le sue capacità, senza però sostituirlo^4,6.
Per esempio, la radiomica è un campo dell'imaging medico che permette di estrarre caratteristiche invisibili all'occhio umano dalle immagini mediche per caratterizzare la malattia o predire gli esiti². Oggi sono disponibili numerosi strumenti per l’analisi delle immagini mediche basati sul deep learning, ma per molti di questi il rischio di falsi positivi resta comunque ancora elevato e questo rappresenta un ostacolo al loro pieno utilizzo². L’IA è utile anche nel campo della patologia: i vetrini digitali possono essere “letti” da specifici sistemi basati sull’IA che sono poi in grado di identificare i diversi sottotipi di neoplasia^1,4. L’IA è anche in grado di identificare noduli presenti a livello polmonare e di esaminarne le caratteristiche (dimensione, volume, densità) per capire, per esempio, se sono di natura maligna o benigna^2,7. Grazie alla proteomica (lo studio delle proteine) abbinata all’IA si lavora alla ricerca di nuovi marcatori per la diagnosi del tumore del polmone e non mancano studi su algoritmi in grado di predire l’espressione di biomarcatori partendo da immagini radiografiche^1,4,7.

Se tutto questo ancora non bastasse, l’IA può anche aiutare a scegliere il trattamento più adatto al singolo paziente, basando soprattutto sul profilo di rischio della persona. Sono stati descritti algoritmi in grado di identificare quali sono i pazienti a maggior rischio di sviluppare effetti collaterali da un trattamento e altri potenzialmente in grado di identificare la risposta a una terapia e di evitare quindi di sottoporre alcuni pazienti a trattamenti che risulterebbero inefficaci^1,2,7.

Le sfide non mancano

Lo scenario attuale fa prevedere che nei prossimi anni l'IA trasformerà il panorama dell’oncologia e della medicina in generale, con progressi che potrebbero rivoluzionare l'assistenza ai pazienti. Come ricordano gli esperti, siamo oggi nella fase preliminare dell'integrazione dell'IA, che senza dubbio è al centro dell’interesse dei ricercatori, ma che rimane ancora limitata in termini di applicazione nella pratica clinica^4,6. Sono molte, in effetti, le barriere che oggi ostacolano il pieno sviluppo della IA e il suo ingresso in clinica. Tra queste la qualità dei dati disponibili e utilizzati per “addestrare” i sistemi di IA: si tratta infatti di dati molto spesso diversi tra di loro, oppure ottenuti in una specifica popolazione e di conseguenza difficili da utilizzare per creare modelli universalmente validi^3,6. C’è anche una questione di trasparenza e interpretabilità dei dati generati dall’IA, dal momento che molti di questi sistemi (specie quelli basati dul deep learning) si basano sul modello black box, ovvero il “ragionamento” che porta alle decisioni non è noto. E questo potrebbe rappresentare un problema non trascurabile in ambito medico. Chi si prende la responsabilità di una decisione generata dall’IA? Queste e altre domande di tipo più etico e regolatorio assieme al problema di integrare l’IA con i sistemi già presenti e dei costi da sostenere, devono trovare risposta prima che l’IA in medicina possa esprimere tutte le proprie potenzialità senza rischi per i pazienti, ma la strada è tracciata^3,4,6.

1. Mak RH, Haugg F. Demystifying AI: Current Insights on Artificial Intelligence in Thoracic Oncology. ILCN-IASLC Lung Cancer News. 11 Luglio 2023.
2. Chassagnon G, De Margerie-Mellon C, Vakalopoulou M, et al. Artificial intelligence in lung cancer: current applications and perspectives. Jpn J Radiol. 2023;41(3):235-244.
3. Crisafulli S, Ciccimarra F, Bellitto C, et al. Artificial intelligence for optimizing benefits and minimizing risks of pharmacological therapies: challenges and opportunities. Front. Drug. Saf. Regul. 2024;4:1356405.
4. Liu M, Wu J, Wang N, et al. The value of artificial intelligence in the diagnosis of lung cancer: A systematic review and meta-analysis. PLoS One. 2023;18(3):e0273445.
5. Ouyang A. MIT researchers develop an AI model that can detect future lung cancer risk. MIT News. 20 gennaio 2023.
6. Mak RH, Haugg F. Demystifying AI: How Will Artificial Intelligence Alter the Practice of Thoracic Oncology? ILCN-IASLC Lung Cancer News. 25 Luglio 2023.
7. Gandhi Z, Gurram P, Amgai B, et al. Artificial Intelligence and Lung Cancer: Impact on Improving Patient Outcomes. Cancers (Basel). 2023;15(21):5236.