L’avanzamento della tecnologia ha portato a sviluppi significativi nel campo della diagnostica medica, in particolare con l’introduzione dell’intelligenza artificiale (AI). Tuttavia, uno studio recente condotto da Northwestern Medicine ha evidenziato una delle principali difficoltà che l’AI incontra nel processo diagnostico: la contaminazione dei campioni di tessuto. Questo problema, facilmente gestibile dai patologi umani grazie alla loro formazione rigorosa, sottolinea l’importanza dell’esperienza umana nel settore sanitario nonostante i progressi tecnologici.
La contaminazione dei campioni di tessuto
La contaminazione dei campioni di tessuto può trarre in inganno i modelli di AI, impedendo loro di effettuare diagnosi accurate in situazioni reali. I patologi umani sono addestrati a identificare casi in cui campioni di tessuto di un paziente vengono accidentalmente collocati su vetrini destinati ad un altro paziente, un errore noto come contaminazione del tessuto. Tuttavia, questo tipo di contaminazione rappresenta una sfida significativa per i modelli di AI, che sono tipicamente sviluppati in ambienti puliti e controllati.
L’importanza dell’esperienza umana
“I nostri risultati servono da promemoria che l’AI che funziona incredibilmente bene in laboratorio può fallire nel mondo reale. I pazienti dovrebbero continuare ad aspettarsi che un esperto umano sia il decisore finale sulle diagnosi effettuate su biopsie e altri campioni di tessuto. I patologi temono – e le aziende di AI sperano – che i computer stiano arrivando per i nostri lavori. Non ancora”, ha affermato l’autore corrispondente Dr. Jeffery Goldstein, direttore di patologia perinatale e professore assistente di patologia perinatale e autopsia presso la Northwestern University Feinberg School of Medicine.
Lo studio e i suoi risultati
Nel nuovo studio, gli scienziati hanno addestrato tre modelli di AI a esaminare vetrini al microscopio di tessuto placentare per (1) rilevare danni ai vasi sanguigni; (2) stimare l’età gestazionale; e (3) classificare lesioni macroscopiche. Hanno addestrato un quarto modello di AI a rilevare il cancro alla prostata in tessuti raccolti da biopsie con ago. Quando i modelli erano pronti, gli scienziati hanno esposto ciascuno di essi a piccole porzioni di tessuto contaminante (ad esempio, vescica, sangue, ecc.) campionate casualmente da altri vetrini. Infine, hanno testato le reazioni delle AI.
La reazione dei modelli di AI
Ciascuno dei quattro modelli di AI ha prestato troppa attenzione alla contaminazione del tessuto, il che ha portato a errori nella diagnosi o nel rilevamento di danni ai vasi, età gestazionale, lesioni e cancro alla prostata, secondo lo studio.
La prima ricerca sul tema
I risultati sono stati recentemente pubblicati sulla rivista Modern Pathology. Si tratta del primo studio ad esaminare come la contaminazione del tessuto influenzi i modelli di apprendimento automatico. “Per un umano, lo chiameremmo una distrazione, come un oggetto brillante e luccicante”, ha detto Goldstein. La contaminazione del tessuto è un problema noto per i patologi, ma spesso sorprende i ricercatori o i medici non patologi. Un patologo che esamina 80-100 vetrini al giorno può aspettarsi di vedere due o tre contaminanti, ma sono stati addestrati a ignorarli.
Il futuro dell’AI nella patologia
I patologi perinatali, come Goldstein, sono incredibilmente rari. Infatti, ce ne sono solo 50-100 in tutti gli Stati Uniti, per lo più situati in grandi centri accademici. Ciò significa che solo il 5% delle placentas negli Stati Uniti viene esaminato da esperti umani. A livello mondiale, quel numero è ancora più basso. Incorporare questo tipo di competenza nei modelli di AI può aiutare i patologi di tutto il paese a svolgere il loro lavoro meglio e più velocemente.
“Sono effettivamente molto entusiasta di quanto bene siamo stati in grado di costruire i modelli e di quanto bene hanno funzionato prima che li rompessimo deliberatamente per lo studio”, ha detto Goldstein. “I nostri risultati mi rendono fiducioso che le valutazioni dell’AI sulla placenta siano fattibili. Abbiamo incontrato un problema del mondo reale, ma colpire quel dosso significa che siamo sulla strada per integrare meglio l’uso dell’apprendimento automatico nella patologia”.
