skip to Main Content
L’intelligenza Artificiale Nella Diagnosi Di Cancro: Fantascienza O Realtà?

L’intelligenza artificiale nella diagnosi di cancro: fantascienza o realtà?

Abbiamo visto l’importanza degli screening oncologici e di una diagnosi precoce nella gestione delle patologie oncologiche. Quanto l’intelligenza artificiale e il “machine learning” possono aiutarci in questo campo?

Possiamo definire l’intelligenza artificiale come una branca delle scienze informatiche, che fa in modo che le macchine possano svolgere compiti che normalmente richiederebbero l’intelligenza del cervello umano. A tale scopo, le macchine sono programmate per svolgere al massimo tali compiti. Collegato, ma diverso è, invece, il cosiddetto “machine learning”, che permette alle macchine di imparare a eseguire determinati compiti attraverso l’analisi dei dati. In altre parole: le macchine non sono direttamente programmate per svolgere un compito, ma imparano a farlo analizzando un numero enorme di dati.

Non solo: l’algoritmo di apprendimento, come un vero e proprio cervello, va incontro a un progressivo miglioramento man mano che l’analisi si fa più ampia e che una mente esterna (l’uomo) dice se l’analisi, così come eseguita dalla macchina, è giusta o sbagliata. In pratica, l’algoritmo può arrivare a riconoscere un certo insieme di dati che presentano determinate caratteristiche e definire che quei dati hanno un certo significato. Proprio come un cervello umano, se non meglio.

Il machine learning potrebbe, quindi, avere numerose applicazioni in ambito medico. Per esempio, in campo radiologico nell’interpretazione delle immagini. I vantaggi sono molto promettenti, soprattutto perché si accorcerebbe il tempo della diagnosi e se ne aumenterebbe la precisione. Questo, in ultima analisi, porterebbe a un miglioramento della cura del paziente.

Machine learning e diagnosi precoce dei tumori

Su Medical Facts vi abbiamo spesso parlato di screening oncologici e dell’importanza di una diagnosi precoce per poter curare un tumore nelle sue primissime fasi, aumentandone le probabilità di guarigione. La domanda, quindi, è: con le capacità “sovraumane” del machine learning sarà più facile arrivare a diagnosticare un determinato tumore, quando ancora questo non dà clinicamente segni di sé? Purtroppo la risposta non è chiara e, nonostante il machine learning abbia indiscussi vantaggi, in campo oncologico ci si chiede se gli svantaggi della diagnosi precoce rischino di superare i benefici.

Principali limiti in ambito oncologico

Come abbiamo detto nell’introduzione, la macchina valuta una serie di dati (in questo caso immagini derivanti dalle strutture del nostro corpo che decidiamo di analizzare) e, per imparare e potersi migliorare sempre più, ha bisogno di un’opinione esterna definitiva di riferimento. Una sorta di verità assoluta. Un po’ come il “Signor No” di Mike Bongiorno, un notaio che stabilisce cosa è vero e cosa è falso. In questo modo, il machine learning, a forza di valutare immagini e confrontarle con la verità dell’infallibile “Signor No”, dovrebbe arrivare a dirci se in un determinato organo c’è un cancro o meno.

Il problema, però, sta proprio in quell’opinione esterna: infatti, in campo oncologico, soprattutto relativamente alla diagnosi precoce, spesso non c’è un assoluto accordo fra i medici che esaminano i campioni. Questo perché, dal punto di vista clinico, la cosa che importa veramente è capire se quel cancro arriverà mai a causare reali problemi al paziente, al fine di trattarlo prima possibile solo nel caso in cui abbia davvero un senso farlo. Perché se quel tumore non evolverà mai e non darà mai segno di sé stesso, allora cosa importa sapere che esiste? Sarebbe solo causa di terapie inutili che potrebbero avere rischi, ma nessun beneficio, dal momento che anche senza trattamento non ci saremmo mai accorti della sua esistenza. Insomma, non c’è un modo per insegnare con certezza alla macchina se una cosa è cancro o se non lo è perché anche noi umani, in molti casi, ne discutiamo. E quindi s’incorrerebbe nel problema della sovra-diagnosi, ossia si rischierebbe di classificare come cancro (e quindi di trattare), un tumore che non avrebbe mai dato segno di sé.

Come tutti gli interventi in campo medico, anche per il machine learning sarà necessario, quindi, valutare a fondo i pro e i contro della sua introduzione nella pratica clinica quotidiana. In alcuni settori potrà essere più rapida, in altri necessiterà di più tempo e di un maggiore affinamento. Anche e soprattutto perché c’è una cosa che una macchina difficilmente potrà imparare: l’empatia per la sofferenza umana. Come quella di un paziente cui è stato diagnosticato un tumore che non avrebbe mai dato segni e che quindi non doveva essere trattato. Questo aspetto deve essere considerato da noi medici, che macchine non siamo. Anche se a volte corriamo il rischio di diventarlo.

 

Renata Gili e Nicasio Mancini

 

Fonti:

Adamson A.S., et al. Machine Learning and the Cancer-Diagnosis Problem — No Gold Standard. N Engl J Med 381;24 December 12, 2019

 

Back To Top