{"id":72447,"date":"2022-05-27T09:57:15","date_gmt":"2022-05-27T07:57:15","guid":{"rendered":"https:\/\/appelloalpopolo.it\/?p=72447"},"modified":"2022-05-25T21:57:37","modified_gmt":"2022-05-25T19:57:37","slug":"algoritmi-e-tumori-della-pelle-meno-accurati-di-quanto-si-pensasse","status":"publish","type":"post","link":"https:\/\/appelloalpopolo.it\/?p=72447","title":{"rendered":"Algoritmi e tumori della pelle: meno accurati di quanto si pensasse"},"content":{"rendered":"

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

 <\/p>\n

<\/p>\n

Negli ultimi anni, grazie a un particolare tipo di reti neurali profonde, chiamate\u00a0convolutional neural networ<\/em>k e particolarmente efficaci nella classificazione delle immagini, abbiamo letto sui giornali a pi\u00f9 riprese che i dermatologi sarebbero presto stati sostituiti dagli algoritmi, almeno nei compiti di screening delle lesioni della pelle. I\u00a0risultati<\/a>\u00a0dell\u2019ultima competizione organizzata dall\u2019International Skin Imaging Collaboration ridimensionano queste aspettative e richiamano all\u2019importanza di valutare le perfomance di questi algoritmi con dati realistici prima di introdurli nella pratica clinica. Gli algoritmi sono s\u00ec pi\u00f9 accurati della media dei dermatologi coinvolti nella sfida, ma molto meno di quello che si pensava e tranne quando incontrano lesioni che non hanno mai visto prima.<\/p>\n

A febbraio del 2017 la copertina della rivista\u00a0Nature<\/em>\u00a0recava il titolo \u201cLesions Learnt\u201d, il messaggio che ci saremmo aspettati di leggere sullo schermo di un computer se il risultato descritto dalla prestigiosa rivista scientifica fosse diventato il soggetto di un film hollywoodiano. Un gruppo di ricercatori, informatici e dermatologi, a pagina 115 di quel numero, descriveva i\u00a0risultati<\/a>\u00a0ottenuti da un algoritmo di\u00a0machine learning<\/em>\u00a0nel diagnosticare nove diverse categorie di malattie della pelle, sia benigne che maligne, in circa duemila immagini acquisite con dermatoscopio. Il dermatoscopio \u00e8 costituito da una lente e una sorgente di luce che pu\u00f2 anche essere polarizzata. Viene utilizzato dopo aver applicato sulla pelle un gel, per evitare che lo strato lipidico dell\u2019epidermide rifletta la luce. In questo modo permette di guardare fino ai primi strati del derma, aumentando notevolmente la capacit\u00e0 di diagnosticare lesioni maligne rispetto all\u2019analisi a occhio nudo.<\/p>\n

L\u2019algoritmo, una rete neurale profonda sviluppata da Google e pre-allenata su oltre un milione di immagine generiche, era stato poi allenato per questo compito speciale su un database di 130 mila immagini e si era dimostrato pi\u00f9 accurato nel diagnosticare i nove tipi di lesione rispetto a una ventina di dermatologi esperti. L\u2019entusiasmo degli autori era tangibile nelle conclusioni del lavoro dove prospettavano una democratizzazione della diagnosi dermatologica. Scrivevano che \u00abequipaggiati con reti neurali profonde, i cellulari possono estendere il raggio d\u2019azione dei dermatologi al di fuori degli ambulatori. Si prevede che entro il 2021 esisteranno 6,3 miliardi di abbonamenti a smartphone che quindi potranno fornire un accesso universale a basso costo a diagnosi vitali\u00bb.<\/p>\n

Nel\u00a02020<\/a>\u00a0sono stati diagnosticati nel mondo 324 mila casi di melanoma, la forma pi\u00f9 aggressiva di tumore della pelle, e le morti associate a questa patologia nello stesso anno sono state 57 mila. L\u2019incidenza dei melanomi \u00e8 particolarmente elevata in paesi come Nuova Zelanda, Australia, Danimarca, Paesi Bassi e Norvegia. L\u2019altra famiglia di tumori della pelle, basaliomi e carcinomi spinocellulari, sono meno aggressivi e probabilmente sottodiagnosticati perch\u00e9 trattabili facilmente con chirurgia e ablazione.<\/p>\n

Alla copertina di\u00a0Nature<\/em>\u00a0seguirono altri studi sul ruolo degli algoritmi nella diagnosi dei tumori della pelle. Per esempio, quello coordinato dal dermatologo Harald Kittler dell\u2019ospedale universitario di Vienna e\u00a0pubblicato<\/a>\u00a0su\u00a0The Lancet Oncology<\/em>\u00a0a luglio del 2019. Il lavoro, che nasceva da una competizione internazionale organizzata nel 2018 dall\u2019International Skin Imaging Collaboration, confermava la superiorit\u00e0 dei migliori algoritmi rispetto ai migliori dermatologi, ma introduceva una nota di cautela: \u00abla differenza tra gli esperti umani e i primi tre algoritmi \u00e8 stata significativamente inferiore per le immagini provenienti da fonti (istituzioni, ospedali, strumenti, ndr) non incluse nel database di allenamento\u00bb concludevano gli autori.<\/p>\n

<\/a>L\u2019edizione successiva della competizione, che si \u00e8 svolta nel 2019, ha voluto esplorare proprio questi aspetti. I risultati sono stati pubblicati alla fine di aprile sulla rivista\u00a0The Lancet Digital Health<\/em>. Al terzo posto si \u00e8\u00a0qualificato<\/a>\u00a0un gruppo di ricercatori dell\u2019AImageLab<\/a>\u00a0dell\u2019Universit\u00e0 di Modena e Reggio Emilia, coordinato da Costantino Grana, insieme ad Alberto Albiol dell’Universit\u00e0 Politecnica di Valencia. \u00ab\u00c8 una delle sfide sull\u2019automazione della diagnostica per immagini meglio organizzate\u00bb, commenta Grana, \u00able immagini su cui gli algoritmi in competizione verranno testati non vengono pubblicate fino a quando tutti i gruppi non hanno consegnato i loro sistemi e questo rende la valutazione molto pi\u00f9 robusta\u00bb.<\/p>\n

Gli oltre 160 algoritmi candidati sono stati valutati su due insiemi di immagini, uno raccolto presso la clinica dermatologica dell\u2019Universit\u00e0 di medicina di Vienna e l\u2019altro all\u2019Ospedale Clinico di Barcellona. Rispetto al secondo, le immagini del primo campione riflettono meno le variazioni di qualit\u00e0 dell’immagine osservate nella pratica clinica. Dunque, i ricercatori hanno usato questi due campioni per capire di quanto si riducesse l\u2019accuratezza delle diagnosi algoritmiche considerando immagini pi\u00f9 realistiche.<\/p>\n

Cosa si intende per pi\u00f9 realistiche? Presenza di croste o ulcerazioni sopra la lesione, peli o capelli, segni di penna, assenza di pigmentazione in alcuni casi. Il database raccolto a Barcellona presenta questi \u201cdisturbi\u201d in una percentuale di immagini maggiore rispetto a quello dell\u2019Universit\u00e0 di medicina di Vienna.<\/p>\n

Come misura di accuratezza della diagnosi, i ricercatori hanno usato una media pesata delle sensibilit\u00e0 degli algoritmi rispetto alle diverse classi di lesioni. Ricordiamo che la sensibilit\u00e0 \u00e8 la percentuale di lesioni di una certa classe correttamente identificate dall\u2019algoritmo. Occorre precisare che gli algoritmi che hanno partecipato alla competizione non assegnavano a ciascuna immagine una diagnosi unica. Per ognuno dei nove tipi di lesione che erano stati addestrati a riconoscere, indicavano una percentuale. Per esempio melanoma al 95%, neo al 10%, basalioma al 5% e cos\u00ec via. Per calcolare la sensibilit\u00e0 i ricercatori hanno preso la diagnosi con la percentuale pi\u00f9 elevata.<\/p>\n

Il migliore algoritmo, sviluppato dal DAISYlab dell\u2019Universit\u00e0 di Amburgo, ha ottenuto in media un\u2019accuratezza dell\u201982% sul dataset di Vienna e del 60% su quello di Barcellona. In media gli algortimi perdono il 22% di accuratezza passando dall\u2019uno all\u2019altro dataset.<\/p>\n

L\u2019impatto di croste, ulcerazioni, pigmentazione, peli o capelli dipende dal tipo di lesione da identificare. Quelle che tipicamente si presentano pigmentate, come nei e melanomi, sono classificate in modo errato pi\u00f9 frequentemente se si presentano non pigmentate. Un melanoma non pigmentato, per esempio, viene classificato come tale dai migliori 25 algoritmi solo nel 46% dei casi e nel 23% dei casi viene invece riconosciuto come basalioma. I melanomi pigmentati invece vengono identificati correttamente nel 71% dei casi. La presenza di capelli sulla lesione incide meno, tranne che per la cheratosi solare, una lesione pre-cancerosa causata dall\u2019esposizione ai raggi UV e particolarmente frequente negli anziani. Anche la posizione sul corpo incide sulla capacit\u00e0 degli algoritmi di classificare correttamente la lesione, soprattutto per quelle che si trovano pi\u00f9 frequentemente in zone del corpo esposte al sole.<\/p>\n

Infine, anche lo strumento con cui \u00e8 stata raccolta l\u2019immagine fa la differenza. Considerando le immagini acquisite con il sistema MoleMax, sviluppato e brevettato dall\u2019Universit\u00e0 di Vienna, i migliori 25 algoritmi hanno identificato correttamente il 99% dei nei ma nessun melanoma. Questo \u00e8 probabilmente dovuto al fatto che circa il 20% delle lesioni acquisite con questo strumento sono nei mentre i melanomi rappresentano meno dell\u20191%.<\/p>\n

L\u2019accuratezza scende ancora se si considerano anche le immagini che raffiguravano un tipo di lesione non contenuta nelle immagini di allenamento. Questa \u00e8 una delle peculiarit\u00e0 della competizione di quest\u2019anno. Ai partecipanti \u00e8 stato chiesto di progettare degli algoritmi in grado di \u201cfallire in sicurezza\u201d, ovvero di saper riconoscere le immagini che contenevano lesioni che non avevano mai visto prima e attribuirle a una categoria sconosciuta. Tra i primi 25 algoritmi in classifica, la categoria non presente nelle immagini di addestramento \u00e8 stata etichettata correttamente solo nell\u201911% dei casi. Nel 33% dei casi queste immagini sono state assegnate alla categoria dei basaliomi, nell\u20198% come melanoma, e nel 7% come carcinoma cutaneo spinocellulare.<\/p>\n

Gli autori dell\u2019articolo scrivono che \u00abquesto risultato mette in luce i problemi di sicurezza legati all’impiego di algoritmi automatizzati in ambito clinico e la necessit\u00e0 di progettare metodi migliori per identificare immagini al di fuori dell’area di competenza di un algoritmo, al fine di evitare biopsie non necessarie o melanomi mancati, che si sarebbero verificati se fossero stati impiegati gli algoritmi testati in questo lavoro\u00bb.<\/p>\n

\u00abNoi ci siamo concentrati particolarmente su questo compito, ma il risultato non \u00e8 stato soddisfacente. A posteriori abbiamo capito che il nostro algoritmo avrebbe beneficiato di una maggiore considerazione del sito della lesione\u00bb, ha commentato Grana.<\/p>\n

Gli algoritmi sono stati poi confrontati con i dermatologi esperti su circa 80 gruppi di 30 immagini dermoscopiche. In media le classificazioni corrette dei dermatologi sono state 16 su 30, mentre il miglior algoritmo ne ha indovinate 19 su 30. Nella classificazione dei melanomi, l\u2019accuratezza degli esperti \u00e8 superiore alla media degli algoritmi (62% contro 58%). Tuttavia, se si considerano i migliori tre algoritmi, questi vincono sui dermatologi esperti, con una sensibilit\u00e0 nella classificazione dei melanomi del 70%. Anche su dermatofibromi, basaliomi e carcinomi spinocellulari, i migliori tre algoritmi battono in sensibilit\u00e0 i dermatologi esperti. Tuttavia, nell\u2019individuazione della categoria non inclusa nei dati di allenamento, gli algoritmi falliscono miseramente rispetto agli umani, con una sensibilit\u00e0 del 6% contro il 26%. Scrivono gli autori \u00abper quello che ne sappiamo, questo studio \u00e8 il primo a identificare un gruppo di lesioni, la categoria non inclusa nei dati di allenamento, per la quale i dermatologi esperti superano gli algoritmi\u00bb.<\/p>\n

Se vi chiedete se alcuni di questi algoritmi siano gi\u00e0 entrati, silenziosamente, nella pratica clinica, non \u00e8 facile dare una risposta. \u00abLe societ\u00e0 che commercializzano i dermatoscopi offrono anche software per l\u2019acquisizione e l\u2019archiviazione delle immagini\u00bb, dice Grana, \u00abalcuni di questi sistemi implementano lo schema ABCDE (asimmetria, bordi, colore, diametro, evoluzione), altri hanno delle reti neurali che permettono classificazioni binarie, benigne-maligne. Chiaramente \u00e8 difficile dire di quali algoritmi si tratti e come i dermatologi ne considerino le indicazioni nel formulare la diagnosi\u00bb.<\/p>\n

Il messaggio che arriva dalla ISIC Grand Challenge del 2019 per\u00f2 \u00e8 chiaro. Sono state identificate \u00abcarenze specifiche e problemi di sicurezza nei sistemi diagnostici di intelligenza artificiale per il cancro della pelle che dovrebbero essere affrontate nei futuri protocolli di valutazione diagnostica per migliorare la sicurezza e l’affidabilit\u00e0 nella pratica clinica\u00bb. Un\u2019analisi delle prestazioni degli algoritmi su campioni stratificati rispetto \u00aba varie caratteristiche, come la fonte dell’immagine, il sito anatomico, gli attributi dell’immagine e le caratteristiche cliniche, aiuter\u00e0 le parti interessate a capire come impiegare gli algoritmi negli studi prospettici\u00bb.<\/p>\n

 <\/p>\n

FONTE:\u00a0 https:\/\/www.scienzainrete.it\/articolo\/algoritmi-e-tumori-della-pelle-meno-accurati-di-quanto-si-pensasse\/chiara-sabelli\/2022-05<\/a><\/strong><\/p>\n","protected":false},"excerpt":{"rendered":"

da SCIENZA IN RETE (Chiara Sabelli)   Negli ultimi anni, grazie a un particolare tipo di reti neurali profonde, chiamate\u00a0convolutional neural network e particolarmente efficaci nella classificazione delle immagini, abbiamo letto sui giornali a pi\u00f9 riprese che i dermatologi sarebbero presto stati sostituiti dagli algoritmi, almeno nei compiti di screening delle lesioni della pelle. I\u00a0risultati\u00a0dell\u2019ultima competizione organizzata dall\u2019International Skin Imaging Collaboration ridimensionano queste aspettative e richiamano all\u2019importanza di valutare le perfomance di questi algoritmi con...<\/p>\n","protected":false},"author":101,"featured_media":71835,"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":"https:\/\/appelloalpopolo.it\/wp-content\/uploads\/2022\/04\/IMG-20220203-WA0009.jpg","jetpack_sharing_enabled":true,"jetpack_shortlink":"https:\/\/wp.me\/p7ZaJ4-iQv","_links":{"self":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts\/72447"}],"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=72447"}],"version-history":[{"count":1,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts\/72447\/revisions"}],"predecessor-version":[{"id":72448,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/posts\/72447\/revisions\/72448"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=\/wp\/v2\/media\/71835"}],"wp:attachment":[{"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=72447"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=72447"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/appelloalpopolo.it\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=72447"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}