fbpx Machine learning in radioterapia: il problema è conquistare la fiducia degli oncologi | Scienza in rete

Machine learning in radioterapia: il problema è conquistare la fiducia degli oncologi

Primary tabs

Tempo di lettura: 7 mins

L'integrazione di sistemi di machine learning in ambito sanitario deve essere condotto nel rispetto delle procedure decisionali esistenti. Questo è il messaggio principale di un lavoro condotto da un gruppo di ricercatori della University Health Network di Toronto in Canada che hanno sperimentato l'impiego di un algoritmo di machine learning per la pianificazione dei piani di trattamento radioterapici di pazienti con tumore della prostata. Lo studio è stato condotto presso il Princess Margaret Cancer Centre, il maggiore centro oncologico canadese, e ha concluso che i piani generati automaticamente sono clinicamente accettabili nella maggior parte dei casi. Tuttavia, ha anche visto che gli oncologi tendono a scegliere il piano che percepiscono come generato automaticamente meno di frequente se il paziente deve essere ancora trattato, preferendo quello elaborato dai fisici medici. Al contrario, in un contesto retrospettivo, gli oncologi prefeirscono nella grande maggioranza dei casi il piano generato dall'algoritmo rispetto a quello elaborato dai fisici medici.

Nell'immagine un simulatore CT per la pianificazione dei piani di radioterapia. Credit: IAEA Imagebank/Flickr. Licenza: CC BY-NC-ND 2.0.

In ambito medico, sono ormai numerosi gli algoritmi di machine learning, sistemi di apprendimento automatico basato sui dati, sviluppati sia per la diagnosi che per il trattamento di diverse patologie. Finora però la loro efficacia è stata valutata prevalentemente fuori dall’ambiente clinico. Per questo è particolarmente significativo il lavoro di un gruppo di fisici medici, oncologi radioterapisti ed esperti di intelligenza artificiale della University Health Network di Toronto, Canada, che ha meritato la copertina dell’ultimo numero di Nature Medicine.

I ricercatori hanno testato un approccio per integrare piani di trattamento radioterapici per la cura del tumore alla prostata generati da un algoritmo di machine learning nelle normali procedure decisionali del Princess Margaret Cancer Centre, il maggiore centro oncologico canadese. L’algoritmo parte dalle immagini raccolte dalla TAC di un nuovo paziente e le confronta con un database di 99 pazienti e con i relativi piani di radioterapia per elaborare il nuovo piano di trattamento.I risultati dell’esperimento mostrano che questa tecnologia è pronta per essere utilizzata nella pratica clinica a patto di mantenere tutti i passaggi e i controlli di qualità che già vengono eseguiti sui piani elaborati dagli esperti umani per favorire la fiducia verso questi strumenti e garantire le migliori cure possibili ai pazienti.

Pianificare un trattamento radioterapico

La pianificazione di un trattamento di radioterapia è un’attività estremamente complessa che coinvolge diverse figure professionali ed è fortemente basata sull’analisi dei dati. In alcuni passaggi è già automatizzata.

Il punto di partenza sono le immagini raccolte dalla TAC su cui gli oncologi radioterapisti delineano i contorni del volume occupato dal tumore e quelli degli organi a rischio circostanti che devono essere salvaguardati durante il trattamento. «Per il contornamento degli organi a rischio i medici cominciano ad affidarsi a sistemi automatici, mentre per la definizione del bersaglio tumorale tendono a preferire una procedura manuale, che si basa anche sulla loro esperienza clinica», spiega Rocchina Caivano, fisica medica presso l’IRCCS Centro di Riferimento Oncologico della Basilicata (CROB) dove si occupa di radioterapia per la cura di diversi tipi di tumori.

Sulla base delle immagini contornate e degli obiettivi dose-volume indicati dagli oncologi, i fisici medici elaborano una serie di proposte di piani di trattamento. Per definire un piano di trattamento è necessario indicare la direzione e intensità dei diversi fasci di raggi x ad alta energia emessi dalla macchina e anche la posizione relativa del paziente sul lettino. Si tratta di un problema con un elevato numero di variabili (i fasci per esempio possono ora muoversi lungo archi per distribuire la radiazione su diverse regioni sane e minimizzare i danni, concentrando l’incrocio dei fasci sul tumore da colpire) e diversi vincoli (la dose da consegnare nel volume occupato dal tumore ma anche i limiti di radiazione tollerabili da tessuti e organi sani adiacenti). Per risolvere questo problema di ottimizzazione si usano dei metodi numerici che vengono “guidati” dai tecnici.

Da questa procedura vengono elaborati una serie di “piani rivali” che sono sottoposti alla valutazione degli oncologi cui spetta la decisione finale sul trattamento.

L’esperimento al Princess Margaret Cancer Centre

L’esperimento condotto al Princess Margaret Cancer Centre ha coinvolto in tutto 100 pazienti. È stato utilizzato un algoritmo di machine learning che prende in input le immagini della TAC con i contorni del tumore e degli organi a rischio già delineati manualmente e restituisce un piano di trattamento radioterapico. Partendo dalle stesse immagini, i fisici medici del centro hanno elaborato la propria proposta di piano. Per ciascun paziente il piano generato dall’algoritmo e quello elaborato dai tecnici sono stati sottoposti agli oncologi che hanno valutato l’accettabilità clinica di ognuno dei due piani e poi ne hanno selezionato uno dei due in base alle considerazioni qualitative e quantitative che vengono normalmente effettuate nella pratica clinica. Durante questa valutazione gli oncologi non sapevano quale piano fosse stato generato dall’algoritmo e quale dai fisici medici e è stato chiesto loro di indovinare quale fosse quello automatico e quale quello umano.

I cento pazienti sono stati divisi in due gruppi di cinquanta e questa procedura di valutazione è stata effettuata prima retrospettivamente, cioè su pazienti che erano già stati sottoposti a radioterapia, e poi prospetticamente. In questo secondo caso, il piano scelto dagli oncologi sarebbe stato poi utilizzato effettivamente per la cura del paziente.

Mentre l’accettabilità clinica dei piani generati dall’algoritmo è rimasta sostanzialmente stabile tra le due fasi (sono stati giudicati accettabili 47 piani su 50 nella fase retrospettiva e 43 piani su 50 in quella prospettica, corrispondenti rispettivamente al 94% e 86% del totale), nel confronto uno-a-uno con i piani umani si è osservata una differenza significativa tra le due fasi. Se nella fase retrospettiva gli oncologi hanno preferito il piano dell’algoritmo per 39 pazienti su 47 pari all’83%, nella fase prospettica questa percentuale è scesa al 61% (i piani dell’algoritmo sono stati preferiti a quelli umani solo per 29 pazienti su 43).

Si potrebbe obiettare che questa differenza non sia dovuta a una mancanza di fiducia dei medici verso l’algoritmo per pazienti che ancora devono essere trattati, visto che non sapevano quale piano fosse automatizzato e quale elaborato dai fisici. Tuttavia, nell’effettuare la loro scelta gli è stato chiesto di dichiarare se ritenevano il piano selezionato di origine algoritmica o umana. Stando a queste dichiarazioni, la differenza di inclinazione tra fase retrospettiva e prospettica viene confermata. Infatti, nella fase retrospettiva i medici ritengono di aver scelto un piano generato dall’algoritmo in 32 casi su 47 pari al 68%, mentre nella fase prospettica questa percentuale scende al 49% (i medici ritengono di aver selezionato per la cura dei pazienti dei piani radioterapici generati automaticamente solo in 21 casi su 43).

Il confronto tra i piani è stato ripetuto anche sfruttando metodi quantitativi che hanno preferito il piano dell’algoritmo per la cura di circa l’80% dei pazienti sia nella fase retrospettiva che prospettica, confermando la validità di questo approccio.

Questi risultati indicano che la differenza nelle scelte cliniche non sia stata spiegata da una diversa performance dell’algoritmo nelle due fasi, ma piuttosto dalla percezione dell’origine del piano di trattamento da parte degli oncologi.

Questione di fiducia

«L’accettabilità di soluzioni automatiche è diversa nelle diverse fasi dell’elaborazione di un piano di trattamento radioterapico e dipende anche dalla formazione delle diverse figure professionali coinvolte», commenta Caivano. «I fisici medici hanno già assistito a una progressiva automazione nella definizione dei piani di trattamento quando le macchine per la radioterapia sono diventate più sofisticate e i fasci hanno cominciato a potersi spostare lungo archi durante l’emissione della radiazione. Le geometrie sono diventate più complesse e dunque è stato necessario ricorrere a sistemi di calcolo automatico», aggiunge e conclude «ritengo che ci sia anche una componente culturale a determinare la fiducia verso questi sistemi. Gli oncologi tendono a dare un grande peso alla loro esperienza clinica precedente e privilegiarla rispetto a soluzioni basate sui dati. Dunque, la modalità con cui questi algoritmi vengono introdotti nella pratica clinica è fondamentale per garantirne l’adozione e l’integrazione all’interno di un centro di cura».

I ricercatori canadesi hanno anche stimato il tempo che verrebbe risparmiato utilizzando l’algoritmo di machine learning per elaborare i piani. Nella fase prospettica, l’intero processo basato su piani elaborati dai fisici medici ha richiesto in media 118 ore per ciascun paziente (variabile da 76 ore a 152 ore), mentre quello basato sull’algoritmo ha richiesto in media 48 ore (variabile da 27 ore a 78 ore). Il tempo risparmiato in media sarebbe di 71 ore. Ricordiamo che la fase di contornamento delle immagini diagnostiche e quella di valutazione clinica dei piani sono comuni a entrambe le procedure (umana e algoritmica).

«Dal punto di vista dei fisici medici, risparmiare tempo nella generazione dei piani permetterebbe di dedicarsi ad attività di più alto livello e anche di formulare più proposte di trattamento», commenta ancora Caivano.

Leigh Conroy, fisica medica del Princess Margaret e una dei coordinatori dell’esperimento, ha dichiarato che in seguito agli ottimi risultati dello studio i piani generati dall’algoritmo sono ora usati per trattare la maggior parte dei pazienti con tumore della prostate che si rivolgono al loro centro.«Questo risultato è stato possibile grazie a una pianificazione molto attenta dell’integrazione di questo sistema nell’ambiente clinico e al coinvolgimento di tutte le figure professionali che normalmente partecipano a queste decisioni», commenta Conroy e aggiunge «il programma è in continua evoluzione sulla base dei feedback degli oncologi».

«Lo sviluppo dell’algoritmo ha richiesto sei mesi di tempo, ma per coinvolgere tutti e metterli a proprio agio con questo nuovo strumento sono stati necessari più di due anni», ha detto Alejandro Berlin, oncologo radioterapista e uno dei coordinatori del lavoro.

Per ricevere questo contenuto in anteprima ogni settimana insieme a sei consigli di lettura iscriviti alla newsletter di Scienza in rete curata da Chiara Sabelli (ecco il link per l'iscrizione). Trovi qui il testo completo di questa settimana. Buona lettura, e buon fine settimana!


Scienza in rete è un giornale senza pubblicità e aperto a tutti per garantire l’indipendenza dell’informazione e il diritto universale alla cittadinanza scientifica. Contribuisci a dar voce alla ricerca sostenendo Scienza in rete. In questo modo, potrai entrare a far parte della nostra comunità e condividere il nostro percorso. Clicca sul pulsante e scegli liberamente quanto donare! Anche una piccola somma è importante. Se vuoi fare una donazione ricorrente, ci consenti di programmare meglio il nostro lavoro e resti comunque libero di interromperla quando credi.


prossimo articolo

How far has scientific culture come in Italy in the last twenty years?

It will be presented on March 18 the 20th edition of the Science Technology and Society Yearbook by Observa, which gathers twenty years of data to provide an overview of the most significant dynamics and trends in the relationships between science, technology, and society. Here is our review of the report.

Often when the Italian speaker discusses any topic, they express their opinions. The Anglo-Saxon speaker, on the other hand, often starts by presenting data, and then, if really necessary, offers their opinion.