AI in oncologia - Parte 2

Dopo aver analizzato il potenziale dell’AI in ambito oncologico nel nostro primo approfondimento, in questa seconda puntata entriamo più nel dettaglio applicativo dell’intelligenza artificiale, partendo da un ambito di grande interesse: la radioterapia.
Si tratta di un settore molto promettente per l'applicazione dell’AI, con innovazioni rilevanti in tutte le principali fasi del percorso terapeutico. Questo si articola in tre momenti fondamentali: la visita clinica e la stadiazione, durante la quale si completa l’iter diagnostico e si valuta l’indicazione al trattamento; la preparazione del trattamento, che comprende centraggio, contouring ( il processo di delineazione precisa delle strutture anatomiche e dei volumi da trattare o da risparmiare sulle immagini radiologiche del paziente), prescrizione, pianificazione e verifica; infine, la fase di delivery, ovvero il setup giornaliero e la somministrazione del trattamento vero e proprio.
Un esempio di trasformazione concreta è rappresentato dall’autocontouring tramite AI. Si è passati dai metodi tradizionali, basati su analisi d’intensità e modelli di forma, a modelli di deep learning avanzati, come le reti neurali convoluzionali (CNN), U-Net e architetture basate su Transformer. Questi sistemi garantiscono una contornazione più accurata degli organi e dei volumi tumorali, riducono la variabilità di contornazione tra operatori e ottimizzano il flusso di lavoro. Sono già integrati nei workflow clinici di patologie complesse come quelle del sistema nervoso centrale, del distretto testa-collo, della prostata e del retto, anche se ad oggi rimangono delle sfide legate all’uniformità dei protocolli clinici adottati nei diversi centri.
Un'altra innovazione chiave è rappresentata dall’introduzione dell’AI nella radioterapia adattativa. L’impiego dell’MR-Linac, un acceleratore lineare integrato con un sistema di risonanza magnetica ha rivoluzionato il campo dell’IGRT (image guided radiation therapy) consentendo di visualizzare in tempo reale il tumore durante il trattamento, garantendo un miglior contrasto dei tessuti molli e un adattamento immediato del trattamento radioterapico stesso alle variazioni anatomiche giornaliere. È particolarmente utile per il trattamento di tumori mobili, dove la precisione è cruciale. L’intelligenza artificiale potenzia le funzionalità del MR-Linac generando immagini di tipo CT sintetiche a partire da sequenze MRI, automatizzando la contornazione degli organi a rischio e del target tumorale, adattando quotidianamente il piano terapeutico alle variazioni anatomiche fisiologiche giornaliere e monitorando il movimento delle lesioni da radiotrattare in tempo reale grazie ad appositi algoritmi di tracking.
Infine, l’AI è fondamentale anche nella quantificazione delle incertezze di setup giornaliero del paziente sul lettino di trattamento. Si distinguono due tipologie di incertezza: l’aleatoria, legata alla variabilità intrinseca dei dati e non eliminabile, e quella epistemica, dovuta a una mancanza di conoscenza e riducibile grazie all’acquisizione di nuovi dati. Per affrontare queste sfide, vengono utilizzati metodi avanzati come il Conformal Prediction, l’Ensemble Learning e il Monte Carlo Dropout, strumenti cruciali per aumentare la sicurezza e l’affidabilità nel “delivery” giornaliero dei trattamenti.

Nei tumori cerebrali, storicamente tra i più difficili da trattare, l'AI sta ottenendo risultati straordinari. Per i gliomi, i sistemi di machine learning riescono a predire la sopravvivenza dei pazienti combinando dati delle risonanze magnetiche con informazioni molecolari del tumore. Nelle metastasi cerebrali da tumore polmonare, l'AI raggiunge accuratezze del 91% nel predire mutazioni genetiche specifiche analizzando semplicemente le immagini, informazioni che tradizionalmente richiederebbero biopsie complesse.

Nell’ambito delle neoplasie mammarie, l'AI applicata alla mammografia ha raggiunto sensibilità del 90% nell'identificare lesioni sospette, riducendo significativamente sia i falsi positivi sia i falsi negativi. Particolarmente promettente è l'applicazione agli ultrasuoni per la valutazione dei linfonodi, dove l'AI raggiunge sensibilità dell'83,6% e specificità dell'85%, evitando spesso biopsie invasive.

Nel carcinoma prostatico, sistemi di AI multimodale hanno riclassificato il 42% dei pazienti rispetto ai metodi tradizionali, evitando sovra-trattamenti in casi a basso rischio e identificando pazienti che necessitano di terapie più aggressive. La predizione della recidiva biochimica, un indicatore precoce di progressione, raggiunge accuratezze superiori all'85%.

Nel cancro del retto, l'AI analizza le risonanze magnetiche per predire quale paziente avrà una risposta completa al trattamento combinato radio-chemio, permettendo di evitare chirurgie demolitive in casi molto selezionati. I modelli più avanzati raggiungono accuratezze superiori all'85% in questa predizione così cruciale per la qualità di vita dei pazienti.

Nel carcinoma polmonare, l'AI non solo migliora la diagnosi precoce dei noduli, ma predice anche le complicanze del trattamento radiante. La polmonite attinica o da radiazioni, una delle complicanze più temute della radioterapia polmonare, può essere prevista con sensibilità del 74% e specificità del 91%, permettendo strategie preventive mirate.

Un'area emergente è la cardio-oncologia, dove l'AI aiuta a prevenire e gestire i danni cardiaci causati dalle terapie antitumorali. Sistemi di machine learning analizzano parametri cardiaci, dati di laboratorio e caratteristiche del trattamento oncologico per predire il rischio di disfunzione cardiaca con accuratezze superiori all'80%. Questo permette interventi preventivi mirati, proteggendo il cuore mentre si combatte il cancro. Modelli di deep learning riescono anche a contornare automaticamente le sottostrutture cardiache nelle immagini di pianificazione radioterapica, permettendo di proteggere con precisione millimetrica le zone più sensibili del cuore durante i trattamenti per neoplasie localizzate a livello toracico.

Nonostante i risultati entusiasmanti, la strada verso una piena integrazione dell'AI in oncologia presenta ancora ostacoli significativi. Il problema più serio riguarda i bias nei dati: molti algoritmi sono stati addestrati principalmente su popolazioni di pazienti poco rappresentative della diversità reale, rischiando di funzionare meno bene su sottopopolazioni numericamente più esigue (es: minoranze etniche, anziani).
La mancanza di standardizzazione tra ospedali diversi crea difficoltà nell'implementazione su larga scala, mentre i problemi di privacy e sicurezza richiedono soluzioni tecniche sofisticate per proteggere i dati sensibili dei pazienti. Non meno importante è la questione dell'interpretabilità: spesso l'AI raggiunge conclusioni corrette attraverso percorsi logici difficili da comprendere, creando resistenze nell'adozione clinica.

È importante sottolineare che l'intelligenza artificiale non sta sostituendo i medici, ma li sta potenziando. L'obiettivo è supportare il medico, non sostituirlo. I sistemi di AI più avanzati funzionano come strumenti di "intelligenza aumentata", amplificando le capacità diagnostiche e terapeutiche dei professionisti sanitari. La vera rivoluzione dell'AI in oncologia non risiede solo nella tecnologia, ma nel suo potenziale di democratizzare l'accesso a cure di altissima qualità. La medicina del futuro sarà caratterizzata da una simbiosi sempre più profonda tra competenza umana e intelligenza artificiale, dove la tecnologia amplifica l'empatia, l'esperienza e la saggezza clinica dei medici, mettendo tutto questo al servizio di ciò che conta davvero: la vita e il benessere dei pazienti.

Bibliografia