Diagnosticare lesioni al tendine sovraspinato con l’intelligenza artificiale

620

Tra le principali cause del dolore alla spalla ci sono lesioni più o meno estese della cuffia dei rotatori che, a loro volta, coinvolgono spesso il tendine sovraspinato.
Studi in letteratura mostrano come l’esito del trattamento terapeutico di queste lesioni dipenda proprio dal grado di coinvolgimento del sovraspinato: più è danneggiato, meno favorevole è la prognosi.

Sappiamo, inoltre, che lesioni inizialmente sottili di questo tendine possono divenire più estese in poco tempo, inficiando l’esito dei trattamenti. Per questo è necessario ottenere diagnosi rapide, per poter intervenire tempestivamente. C’è però un problema. Riconoscere la lesione del tendine sovraspinato da un’immagine di risonanza magnetica richiede una certa esperienza, che non è detto sia coperta in alcuni centri ospedalieri più piccoli, oppure in quelli rurali.
Per colmare questa lacuna, un team di ricerca giapponese ha ideato un algoritmo di intelligenza artificiale basato su reti neurali convoluzionali capace di diagnosticare in modo automatico la presenza di lesioni al tendine sovraspinato partendo da dati di RM.

Lo studio è stato condotto presso il secondo ospedale della Jilin University, prendendo in considerazione: 701 pazienti sottoposti a RM per sospetta lesione del tendine sovraspinato, 558 utilizzati per allenare e validare l’algoritmo e 143 per un test interno; 69 pazienti con lesione del tendine sovraspinato sottoposti ad artroplastica di spalla. I sistemi di RM utilizzati sono 2: un 3.0 T GE e un 1.5 T Philips.

Gli autori hanno però estratto le stesse informazioni da entrambi i documenti prodotti. Le 701 scansioni di RM sono state rivalutate separatamente da 2 radiologi esperti di sistema muscoloscheletrico, entrambi con più di 15 anni di carriera; solo in presenza di valutazioni non concordi, è intervenuto un terzo radiologo, con esperienza ventennale. I ricercatori hanno ideato due modelli: uno partendo da dati nel piano e l’altro da dati nello spazio, considerando in questo secondo caso immagini tridimensionali.

Non è infatti possibile sapere se una certa struttura sanitaria dispone di RM tridimensionale. Hanno poi valutato per entrambi i modelli la sensibilità, la specificità e lo score F1 sul campione di partenza e su quello chirurgico. Il modello 2D ha dimostrato di avere, nel primo caso, una sensibilità di 0.78, una specificità di 0.84 e un F1-score di 0.75, mentre nel caso di pazienti operati la sensibilità è di 0.91, la specificità di 0.85 e l’F1-score di 0.82. Sembrerebbe quindi che questo algoritmo funzioni meglio con i pazienti sottoposti ad artroplastica. Tuttavia, si pensa che la specificità di diagnosi di un giovane chirurgo sia di 0.636, quindi più basso di quanto ottenuto dal modello 2D.

Inoltre, il tempo per la diagnosi è di soli 0.17 secondi. Per confermare ulteriormente questi dati, gli autori hanno coinvolto 8 specialisti esperti che hanno rivalutato tutte le risonanze, confrontando i risultati con quelli del modello 2D CNN: quest’ultimo si è dimostrato superiore del dare diagnosi corrette, oltre che più veloce. Gli esperti hanno impiegato una media di 39 secondi.
Come sempre, uno strumento del genere richiede di maggiori approfondimenti e conferme, ma lo studio mostra l’utilità di utilizzare l’intelligenza artificiale in questo settore… non solo perché offre la possibilità di giungere a diagnosi corrette più rapidamente, ma in minor tempo, il che consente di effettuare più lettura nello stesso periodo rispetto a quello che succede ora. Inoltre, inutile ricordarlo, un radiologo o un chirurgo vanno incontro a stanchezza, cosa che non può succedere a un software.

(Lo studio: Guo, D., Liu, X., Wang, D. et al. Development and clinical validation of deep learning for auto-diagnosis of supraspinatus tears. J Orthop Surg Res 18, 426 (2023). https://doi.org/10.1186/s13018-023-03909-z)