Scoliosi e intelligenza artificiale

228

Uno studio cinese propone un’applicazione clinica di uno strumento basato su deep learning per il calcolo dell’angolo di Cobb.

Negli ultimi anni sono stati pubblicati studi in Letteratura che hanno presentato metodi automatizzati per il calcolo dell’angolo di Cobb, misura utilizzata per definire la gravità della scoliosi e stabilire l’iter terapeutico da porre in essere. Basati su modelli di intelligenza artificiale, questi metodi sfruttano la regressione e l’uso di punti di repere per definite il valore dell’angolo di Cobb. Si tratta però di una tecnologia agli albori, che manca ancora della validazione clinica esterna.

Per questo un team di ricerca cinese dell’Università di Ningbo e del Primo e del Sesto Ospedale a essa affiliati ha deciso di valutare l’efficacia di due di questi modelli, presi come riferimento per l’intero approccio.
I metodi selezionati sono il VertebraFocused Landmark Detection Network (VFLDN) e il Seg4Reg, il primo presentato nel 2020 durante il 17esimo Simposio Internazionale di IEEE sull’imaging biomedicale (Yi J, Wu P, Huang Q, Qu H, Metaxas DN. Vertebra-focused landmark detection for scoliosis assessment. 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI). 03-07 April 2020; Iowa City, IA, USA) e il secondo su “Computational Methods and Clinical Applications for Spine Imaging” nel 2020 (http://dx.doi.org/10.1007/978-3-030-39752-4_7).

Lo studio

Pubblicato su Current Medical Imaging, lo studio utilizza una coorte di 481 radiografie di colonna vertebrale scoliotica prese da un database opensource, il MICCAI 2019 Challenge on Accurate Automated Spinal Curvature Estimation, tutte in proiezione anteroposteriore. A queste immagini radiografiche ne sono state aggiunte altre 119 prese da pazienti interni agli ospedali coinvolti.

A questo punto, le radiografie sono state fatte valutare dai due sistemi automatici presi in considerazione e da 3 professionisti esperti in scoliosi per la determinazione dell’angolo di Cobb. Infine, gli autori hanno confrontato i risultati ottenuti. La misurazione manuale ha richiesto tra i 29 e i 42 secondi, a seconda dell’operatore.

I valori ICC dell’angolo misurato dai 3 specialisti è di 0,981, indicando un’ottima affidabilità inter-osservatore. Ecco, infine, i valori misurati: 32.63° ± 9.72°, 31.91° ± 9.11° e 32.17° ± 9.50°. Vediamo come si sono comportati i modelli di deep learning.

Confronto con le misurazioni effettuate con i modelli di IA

VFLDN ha valutato l’angolo di Cobb compreso tra 35.89° ± 9.33° ee ha richiesto 0,18 secondi per immagini; Seg4Reg, invece, ha misurato l’angolo in 0,2 secondi, dando come risultato l’intervallo 31.54° ± 9.78°. Qual è l’ICC per i due metodi? È pari a 0,974 per VFLDN e a 0.809 per Seg4Reg.

Questi e altri valori considerati indicano che entrambi i metodi correlano molto bene con le misurazioni manuali, con VFLDN che si mostra il più efficiente. L’operazione è stata ripetuta sulle 119 radiografie “private”, mostrando come VFLDN sia superiore a Seg4Reg nel classificare gli angoli di Cobb, soprattutto se sotto i 45°.

Entrambi, comunque, sono da considerarsi efficienti e più rapidi della misurazione manuale. Certo, occorrono ulteriori conferme, anche perché il lavoro ha preso in considerazione solo immagini 2D, mentre la scoliosi è caratterizzata dalll’essere una deformazione tridimensionale. 

Studio: Ni L, Zhang Z, Zou L, Wang J, Guo L, Qian W, Xu L, Xu K, Zeng Y. Clinical Application of Automatic Assessment of Scoliosis Cobb Angle Based on Deep Learning. Curr Med Imaging. 2024 Feb 27. doi: 10.2174/0115734056278130231218073650. Epub ahead of print. PMID: 38415463