Diagnosticare la gonartrosi con l’intelligenza artificiale

198

È importante individuare i soggetti con artrosi quando questa è ancora ai suoi albori, per poterla trattare precocemente, rallentare la degenerazione delle cartilagini e spostare il più avanti possibile nel tempo la protesizzazione.

Uno studio retrospettivo cinese propone un modello di machine learning che parte da analisi radiomiche di immagini di risonanza magnetica per diagnosticare l’artrosi di ginocchio, appunto. Nello stesso studio il modello viene anche valutato.
I pazienti coinvolti sono 148, tutti sottoposti a risonanza magnetica da 1.5 Tesla per acquisire immagini dei compartimenti laterale, mediale e tibio-femorale del ginocchio, in modo da sviluppare un modello capace di individuare segni di artrosi nell’articolazione.

Le immagini sono state poi elaborate per estrarre le caratteristiche radiomiche più interessanti ai fini diagnostici, considerando quattro categorie: statistiche di primo ordine; forma; texture; statistiche di ordine superiore. Le caratteristiche radiomiche di partenza sono state successivamente sottoposte a un processo di selezione, cambiando però in numero in base ai diversi modelli sviluppato, ma comunque scelte perché ritenute utili ai fini diagnostici.
Gli autori hanno inizialmente utilizzato tre diversi algoritmi di machine learning, rispettivamente basati su K-nearest neighbour (KNN), regressione logistica (LR), support vector machine (SVM). Successivamente è stato ottenuto anche un modello finale, misto.

Ognuno di questi quattro modelli è stato valutato nella sua efficacia e quello che si è dimostrato più efficace nel diagnosticare l’artrosi di ginocchio è quello basato su regressione logistica: la sua AUC varia, infatti, tra 0.875 e 0.983, mentre la sua accuratezza tra 0.774 e 0.968. Gli autori considerano, però, innovativi tutti i modelli proposti, proprio per l’idea di utilizzare la radiomica per leggere le caratteristiche articolari. O, almeno, così si desume dal testo.

Il team di ricerca non manca, poi, di evidenziare alcune debolezze del proprio lavoro, in primis la dimensione del campione: quando si vuole sviluppare un modello predittivo di intelligenza artificiale, più ampio è il campione di partenza e meglio è.
Grandi moli di dati riescono infatti ad allenare meglio il modello.
Manca, inoltre, una validazione su un campione esterno a quello di riferimento. Avendo ottenuto risultati abbastanza interessanti, lo studio apre alla possibilità di ulteriori ricerche.

(Lo studio: Cui, T., Liu, R., Jing, Y. et al. Development of machine learning models aiming at knee osteoarthritis diagnosing: an MRI radiomics analysis. J Orthop Surg Res 18, 375 (2023). https://doi.org/10.1186/s13018-023-03837-y)