Colite ulcerosa: un modello di intelligenza artificiale di nuova concezione può distinguere i quattro livelli di attività della malattia basati sul punteggio endoscopico di Mayo
Un modello di intelligenza artificiale di nuova concezione ha valutato accuratamente le immagini endoscopiche di pazienti con colite ulcerosa e potrebbe anche consentire di distinguere tra tutti e quattro i livelli di attività della malattia basati sul punteggio endoscopico di Mayo. È quanto emerge da uno studio pubblicato sull’American Journal of Gastroenterology.
Anche se la gestione della colite ulcerosa implica il monitoraggio dell’attività della malattia e una pronta risposta con una terapia appropriata, la valutazione endoscopica ha mostrato variazioni significative a seconda dell’operatore che effettua la procedura, riducendo così l’affidabilità delle valutazioni individuali, hanno premesso gli autori.
«Le tecniche che utilizzano l’intelligenza artificiale possono superare questa limitazione e aiutare a distinguere con una buon livello di precisione i vari livelli di attività endoscopica» hanno scritto il primo autore Bobby Lo e colleghi del Copenhagen University Hospital Hvidovre. «Fino a oggi, tuttavia, c’è stata una scarsa disponibilità di strumenti diagnostici assistiti da computer per la colite ulcerosa e nessuno è in grado di distinguere tra tutti i livelli di attività endoscopica con sufficiente precisione». I ricercatori ritengono che il loro strumento potrebbe ottimizzare e standardizzare la valutazione della gravità della malattia misurata in base al punteggio endoscopico Mayo (MES), indipendentemente dal livello di competenza dell’operatore.
Uno studio tra diversi modelli per le analisi di immagini endoscopiche
Per lo studio sono state utilizzate 1.484 immagini endoscopiche uniche da 467 pazienti con colite ulcerosa (età media 45 anni, 45,3% maschi) che erano stati sottoposti a colonscopia o sigmoidoscopia. Le immagini della mucosa del colon sana sono state ricavate anche da un programma di sorveglianza del cancro del colon-retto, in modo da riflettere adeguatamente la loro distribuzione nella clinica.
Due esperti, in cieco per i dettagli clinici o altre informazioni identificative, hanno valutato separatamente tutte le immagini secondo il MES. Un terzo esperto, senza conoscere le conclusioni dei due esperti precedenti, ha valutato le immagini nelle quali non c’era un completo accorso sui punteggi diagnostici. Quasi la metà delle immagini (47,3%) è stata classificata come normale, mentre il 26,0% ha avuto un punteggio MES 1 (attività lieve), il 20,2% un punteggio MES 2 (attività moderata) e il 6,5% è stato classificato come MES 3 (attività grave).
Tutte le immagini endoscopiche sono state suddivise casualmente in un set di dati di addestramento (85%) e un set di dati di test (15%) con campionamento stratificato. Sono state prese in considerazione diverse architetture di reti neurali convoluzionali per classificare automaticamente la gravità della malattia. I ricercatori hanno utilizzato una convalida incrociata quintuplicata dei dati di addestramento per sviluppare e selezionare il modello finale ottimale.
Un nuovo modello con una superiore accuratezza
Il modello vincente è stato EfficientNetB2, data la sua superiorità nell’accuratezza media durante la convalida incrociata. Questo modello, secondo i ricercatori, è in grado di elaborare le immagini in modo significativamente più veloce e richiede una potenza di calcolo inferiore rispetto a InceptionNetV3, l’altro modello valutato nello studio.
L’accuratezza del test del modello finale nel distinguere tra tutte le categorie di MES era pari a 0,84. Nel test per distinguere MES 0 rispetto a MES 1-3 e MES 0-1 rispetto a MES 2-3, il modello ha raggiunto una precisione rispettivamente di 0,94 e 0,93.
Gli autori hanno sottolineato di aver utilizzato 10 volte meno immagini rispetto a quelle usate in studi simili, eppure il modello sviluppato ha dimostrato un’accuratezza di circa lo 0,74 anche utilizzando immagini provenienti da un’altra coorte e di qualità inferiore. Hanno aggiunto che sarebbe stato possibile ottenere risultati anche migliori se fossero stati disponibili più dati, citando questo come un limite dello studio.
«In definitiva abbiamo sviluppato un modello di deep learning che ha superato i risultati ottenuti in precedenza nella classificazione delle immagini endoscopiche di pazienti affetti da colite ulcerosa. Questo può automatizzare e ottimizzare la valutazione della gravità della malattia sia in ambito clinico che accademico e, idealmente, negli studi clinici» hanno concluso. «Il nostro studio funge anche da trampolino di lancio per progetti futuri, compreso l’uso di materiale video e la valutazione dei risultati a lungo termine».
Bibliografia
Lo B et al. High accuracy in classifying endoscopic severity in ulcerative colitis using convolutional neural network. Am J Gastroenterol. 2022 Jul 15.