{"id":70277,"date":"2022-02-09T09:43:18","date_gmt":"2022-02-09T08:43:18","guid":{"rendered":"https:\/\/appelloalpopolo.it\/?p=70277"},"modified":"2022-02-08T18:49:25","modified_gmt":"2022-02-08T17:49:25","slug":"gli-occhi-del-cuore","status":"publish","type":"post","link":"https:\/\/appelloalpopolo.it\/?p=70277","title":{"rendered":"Gli occhi del cuore"},"content":{"rendered":"

di SCIENZA IN RETE<\/strong> (Chiara Sabelli)<\/p>\n

<\/p>\n

Un\u2019intelligenza artificiale capace di dedurre la massa e il volume del ventricolo sinistro del cuore analizzando l\u2019immagine della retina e da l\u00ec stabilire se il paziente \u00e8 a rischio di andare incontro a un infarto del miocardio. \u00c8 l\u2019ultima applicazione in ambito medico di un sistema di\u00a0deep learning<\/em>\u00a0pubblicata<\/a>\u00a0la scorsa settimana su\u00a0Nature Machine Intelligence<\/em>\u00a0da un gruppo di matematici, informatici e cardiologi coordinati da Alejandro Frangi, professore di medicina computazionale alla University of Leeds e dal 2019 membro del comitato per le tecnologie emergenti della Royal Academy of Engineering, e Andres Diaz-Pinto, ricercatore al King\u2019s College London.<\/p>\n

Ogni anno in Europa a 11 milioni di persone viene diagnosticata una tra le malattie cardiovascolari, che restano la prima causa di morte nel continente. Circa il 45% del totale dei decessi annuali pu\u00f2 essere attribuito a una malattia cardiovascolare, per un totale di 3,8 milioni di morti all\u2019anno. Tra i maggiori fattori di rischio sono stati identificati obesit\u00e0, dipendenza da fumo e alcol, diabete, ipertensione. Ma il monitoraggio e la prevenzione di queste patologie richiede spesso l\u2019intervento di medici specializzati in cardiologia. Per questo, la possibilit\u00e0 di sfruttare le immagini raccolte dagli oculisti per indirizzare i pazienti verso ulteriori approfondimenti \u00e8 particolarmente promettente.<\/p>\n

Che l\u2019analisi del fondo oculare fosse capace di dare informazioni preziose sullo stato di salute del sistema cardiovascolare era gi\u00e0 stato indicato da\u00a0diversi<\/a>\u00a0studi<\/a>\u00a0negli ultimi vent\u2019anni. La morfologia e la dimensione dei piccoli vasi sanguigni della retina sono indicatori di malattie vascolari pi\u00f9 ampie, comprese le patologie cardiache. Nel 2018, i ricercatori di Google avevano\u00a0messo a punto<\/a>\u00a0una rete neurale profonda, pi\u00f9 precisamente una\u00a0convolutional neural network\u00a0<\/em>(CNN), per dedurre a partire dalle immagini dei fondi oculari i principali fattori di rischio delle malattie cardiovascolari, come et\u00e0, sesso, fumatore\/non fumatore, pressione sistolica (massima) e anche l\u2019insorgenza di infarto o ictus nei 5 anni successivi. L\u2019algoritmo era stato sviluppato e testato su diversi database, tra cui quello della UK Biobank, mostrando che l\u2019algoritmo era capace di prevedere l\u2019insorgenza di un evento cardiovascolare maggiore (ictus o infarto) con un\u2019accuratezza di poco inferiore ai sistemi di valutazione del rischio cardiovascolare che si basano solo sulla conoscenza dei fattori di rischio.<\/p>\n

Il gruppo di scienziati coordinati da Frangi ha fatto un passo in pi\u00f9, sfruttando anche le informazioni contenute nelle immagini raccolte tramite risonanza magnetica cardiaca. Questo \u00e8 stato possibile grazie a un particolare tipo di sistema di\u00a0deep learning<\/em>, chiamato\u00a0multi-channel variational autoencoder<\/em>\u00a0(mcVAE), che \u00e8 stato allenato per mettere in relazione le immagini della retina e quelle delle risonanze magnetiche cardiache in un gruppo di circa 5600 partecipanti alla UK Biobank per cui entrambi i tipi di immagine erano disponibili. Il sistema \u00e8 stato poi sfruttato per dedurre le immagini cardiache a partire dai fondi oculari per quei pazienti per cui le immagini cardiache non erano disponibili.\u00a0<\/a>A sviluppare il sofisticato algoritmo \u00e8 stato il matematico e informatico italiano Marco Lorenzi, ricercatore presso il centro Sophia Antipolis dell\u2019Institut National de recherche en informatique et en automatique (INRIA) in Francia.<\/p>\n

Le immagini cardiache ricostruite a partire da quelle della retina sono state poi corredate da una serie di informazioni demografiche (et\u00e0, sesso, consumo di alcol, stato di fumatore, pressione sanguigna, livello di glucosio e di colesterolo) per stimare, attraverso un secondo sistema di\u00a0deep learning<\/em>, la massa e il volume del ventricolo sinistro del cuore, due parametri rilevanti al fine di prevedere l\u2019insorgenza di un infarto del miocardio. Le stime ottenute si sono rivelate in ottimo accordo con quelle effettuate da un gruppo di otto esperti che hanno analizzato le immagini di risonanza magnetica cardiaca con il miglior software disponibile sul mercato.<\/p>\n

I ricercatori hanno poi sviluppato un terzo algoritmo, questa volta un \u201csemplice\u201d sistema di regressione lineare, per stabilire quali pazienti sarebbero andati incontro a un infarto del miocardio sulla base delle stime di massa e volume del loro ventricolo sinistro e delle loro caratteristiche demografiche. Per farlo hanno sfruttato un secondo database, sempre estratto dalla UK Biobank, contenente i dati di circa 2000 persone per cui erano disponibili solo le immagini del fondo oculare, oltre alle solite informazioni demografiche. Non era infatti necessario avere le immagini della risonanza magnetica cardiaca, perch\u00e9 il primo algoritmo \u00e8 stato incaricato di ricostruirle a partire dalle immagini della retina. Di queste 2000 persone, met\u00e0 avevano sofferto di infarto dopo aver scattato l\u2019immagine del fondo oculare e l\u2019altra met\u00e0 no. Gli autori hanno usato una parte di questo campione per allenare il loro algoritmo e la restante parte per valutarne i risultati. In media, la sensibilit\u00e0 e la specificit\u00e0 dell\u2019intero sistema sono del 74% e 71% rispettivamente, mentre la sua precisione \u00e8 del 73%. In questo caso, la sensibilit\u00e0 \u00e8 la frazione di persone che il sistema ha previsto sarebbero andate incontro a un infarto tra coloro che lo hanno poi effettivamente avuto. La specificit\u00e0 \u00e8 invece la frazione di persone che il sistema ha previsto non sarebbero andate incontro a un infarto tra coloro che non lo hanno effettivamente avuto. Infine, la precisione \u00e8 la frazione di persone che hanno effettivamente avuto un infarto tra coloro che il sistema ha previsto lo avrebbero avuto.<\/p>\n

Per fare una valutazione realistica, i ricercatori hanno ripetuto tutta l\u2019analisi usando solo i dati demografici che sono di solito disponibili in uno studio oculistico, et\u00e0 e sesso, osservando una lieve diminuzione della precisione dell\u2019algoritmo, dal 73% al 68%, mentre la sensibilit\u00e0 \u00e8 rimasta invariata, pari al 74%, e la specificit\u00e0 \u00e8 aumentata al 73%. Questi risultati vanno confrontati con i pi\u00f9 diffusi modelli per la valutazione del rischio di sviluppare patologie cardiovascolari, che si basano solo sulle caratteristiche demografiche dei pazienti. Un confronto vero e proprio non \u00e8 possibile, perch\u00e9 questi modelli non sono mai stati usati sui dati della UK Biobank. Tuttavia, un\u2019idea delle loro performance si pu\u00f2 ottenere guardando a studi come quello\u00a0realizzato<\/a>\u00a0nel 2019 sfruttando i dati raccolti dal progetto\u00a0DETECT<\/a>\u00a0coordinato dalla Universit\u00e0 tecnica di Dresda. Lo studio ha confrontato diversi modelli di valutazione del rischio cardiovascolare sul campione dei circa 4000 partecipanti del progetto DETECT, concludendo che la sensibilit\u00e0 variava tra 56% e 78%, la specificit\u00e0 tra 60% e 78% e la precisione tra 12% e 24%.<\/p>\n

\u00abAnche se le prestazioni del nostro approccio in questo studio non possono essere paragonate direttamente a quelle disponibili per gli altri modelli di valutazione del rischio, questi confronti evidenziano il suo potenziale come strumento per indicare la necessit\u00e0 di un approfondimento specialistico per i pazienti che si sottopongono a una visita oculistica\u00bb, scrivono i ricercatori.<\/p>\n

\u00abStiamo discutendo con i nostri partner clinici, tra cui il National Eye Institute di Bethesda e lo York Teaching Hospital, la possibilit\u00e0 di testare sul campo il nostro algoritmo\u00bb, spiega Diaz-Pinto, \u00abma occorre considerare una serie di aspetti prima di avviare lo studio clinico\u00bb.<\/p>\n

Tra questi ne spiccano due per importanza. Il primo \u00e8 la composizione demografica del gruppo su cui l\u2019algoritmo verr\u00e0 testato. Per esempio, l\u2019etnia: il database della UK Biobank utilizzato dai ricercatori per sviluppare il loro sistema \u00e8 composto al 90% da persone bianche, le altre provenienze geografiche sono scarsamente rappresentate, 1,2% neri e 3,4% asiatici. Le sue performance sono state valutate su quel database e non \u00e8 detto che su un campione diversamente composto si confermino allo stesso livello. \u00abI campioni di dati che contengono sia immagini del fondo oculare che risonanze magnetiche cardiache sono estremamente rari, quindi non \u00e8 detto che sar\u00e0 possibile adattare il nostro algoritmo a popolazioni diverse da quella che abbiamo considerato in questo studio\u00bb, continua Diaz-Pinto.<\/p>\n

Il secondo aspetto da tenere in considerazione \u00e8 la disponibilit\u00e0 di immagini della retina di alta qualit\u00e0, necessarie perch\u00e9 il primo algoritmo ricostruisca in maniera sufficientemente accurata l\u2019immagine cardiaca.<\/p>\n

Nel\u00a02020<\/a>, Google Health ha messo alla prova sul campo l\u2019algoritmo<\/a>\u00a0di\u00a0deep learning<\/em>\u00a0che aveva sviluppato quattro anni prima per la diagnosi della retinopatia diabetica, una patologia che, se non diagnosticata in tempo, pu\u00f2 portare alla cecit\u00e0. L\u2019occasione per effettuare questo test \u00e8 arrivata quando la Thailandia ha deciso di organizzare un programma di screening per questa patologia che raggiungesse almeno il 60% delle persone diabetiche nel paese. L\u2019obiettivo si era presto rivelato irraggiungibile per via del numero limitato di specialisti in grado di effettuare i giusti esami diagnostici. Il governo thailandese ha aperto una collaborazione con Google equipaggiando undici ambulatori con il loro sistema di\u00a0deep learning<\/em>\u00a0per permettere di analizzare in tempo reale le foto del fondo oculare scattate dagli infermieri, arruolati anch\u2019essi nel progetto. Se nelle condizioni ideali dello studio scientifico l\u2019algoritmo si era rilevato accurato al 90%, le cose sono andate molto diversamente nella realt\u00e0. Molte immagini non avevano qualit\u00e0 sufficiente e venivano rifiutate dal sistema, in altri casi la rete internet era lenta e bisognava aspettare ore per avere i risultati. \u00abNel nostro studio abbiamo un sistema automatico che seleziona le immagini in base alla loro qualit\u00e0\u00bb, spiega Diaz-Pinto, \u00ab\u00e8 quindi cruciale valutare l\u2019impatto di questo sistema di selezione in un dato contesto clinico prima di avviare lo studio\u00bb.<\/p>\n

 <\/p>\n

FONTE:\u00a0 Gli occhi del cuore | Scienza in rete<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

di SCIENZA IN RETE (Chiara Sabelli) Un\u2019intelligenza artificiale capace di dedurre la massa e il volume del ventricolo sinistro del cuore analizzando l\u2019immagine della retina e da l\u00ec stabilire se il paziente \u00e8 a rischio di andare incontro a un infarto del miocardio. \u00c8 l\u2019ultima applicazione in ambito medico di un sistema di\u00a0deep learning\u00a0pubblicata\u00a0la scorsa settimana su\u00a0Nature Machine Intelligence\u00a0da un gruppo di matematici, informatici e cardiologi coordinati da Alejandro Frangi, professore di medicina computazionale alla...<\/p>\n","protected":false},"author":101,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"jetpack_post_was_ever_published":false,"_jetpack_newsletter_access":"","_jetpack_dont_email_post_to_subs":false,"_jetpack_newsletter_tier_id":0,"_jetpack_memberships_contains_paywalled_content":false,"_jetpack_memberships_contains_paid_content":false,"footnotes":"","jetpack_publicize_message":"","jetpack_publicize_feature_enabled":true,"jetpack_social_post_already_shared":true,"jetpack_social_options":{"image_generator_settings":{"template":"highway","enabled":false},"version":2}},"categories":[32],"tags":[],"jetpack_publicize_connections":[],"jetpack_featured_media_url":"","jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/p7ZaJ4-ihv","_links":{"self":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts\/70277"}],"collection":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/users\/101"}],"replies":[{"embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=70277"}],"version-history":[{"count":1,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts\/70277\/revisions"}],"predecessor-version":[{"id":70278,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts\/70277\/revisions\/70278"}],"wp:attachment":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=70277"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=70277"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=70277"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}